包括：haarcascade_eye.xml、haarcascade_eye_tree_eyeglasses.xml、haarcascade_frontalcatface.xml、haarcascade_fullbody.xml、haarcascade_lefteye_2splits.xml、haarcascade_lowerbody.xml、haarcascade_profileface.xml、haarcascade_smile.xml、haarcascade_upperbody.xml等

毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBo ======================================== 训练样本： MIT人脸数据库 样本尺寸：20*20px 样本个数：5971个样本，其中人脸样本为2429个 faces文件夹 包含人脸样本 nonfaces文件夹 包含非人脸样本 ======================================== 测试样本： 加州理工大学 人脸数据库 样本尺寸：896*592px 包含450个样本 faces_test文件夹 （程序剔除了部分非人脸样本，实际检测样本数约为440个） ========================================

基于Haar-Like 特征的人脸检测算法研究.zip

通过对基于Haar-like特征的AdaBoost人脸检测算法研究，利用由该算法训练的级联分类器和计算机视觉类库OpenCV进行人脸检测系统设计，实现了基于静态图像、摄像头视频和avi视频的人脸检测与标记，以及标记后的人脸区域图像实时显示和存盘。此外，在VC++6.0环境下实现了对人脸检测系统软件界面的开发。实验结果表明，该检测系统开发周期短，检测速度快，实时性强，检测率高，可作为人脸识别和人脸跟踪系统的开发基础。

心理学上的研究表明，面部表情变化主要集中在眼睛、眉毛、鼻子、嘴巴等面部器官上。受其启发，提出一种基于面部结构的表情识别方法，重点分析眼睛、眉毛、鼻子、嘴巴等关键区域的联动变化来分析表情。首先，使用鲁棒的判别响应图拟合（discriminative response map fitting，DRMF）方法自动检测出对识别人脸表情最为关键的局部人脸区域，即眼睛、眉毛、鼻子和嘴巴的部分；然后从这些关键部分中提取Haar特征；最后采用Boosting学习和联动机制，学习得到基于联合Haar特征的表情分类器。在CMU表情数据库和JAFFE表情数据库上的实验结果表明了上述方法的良好性能，即基于面部构件识别表情的方法获得了与手工精准标注人脸面部构件识别表情方法相近的识别效果。

针对智能车辆和安全驾驶辅助系统中车辆检测问题,提出一种基于类 Haar 特征和 AdaBoost 分类器并结合车辆灰度对 称性验证的前车检测方法。 使用积分图方法计算图像类 Haar 特征,并对提取的海量类 Haar 特征应用 AdaBoost 算法进行特征 选择及分类器训练,最后使用所选择的特征及分类器进行测试。 实验结果表明,该方法在阴天和晴天情况下检测率分别为 90. 86% 、91. 15% ,可以快速、有效地进行前车检测

行人检测在视觉监控，驾驶员辅助系统中具有广泛的应用。 它在计算机视觉和模式识别中也非常重要。 在我们的研究中，我们提出了行人检测的多尺度方案。 行人检测方案包括构建强分类器和多尺度检测的两个步骤。 强分类器是弱分类器的集合，是通过使用基于类似Harr特征的AdaBoost学习算法构建的。 然后，采用强分类器对多尺度图像中的行人进行检测，并对检测结果进行合并。 在我们的实验中，提出的多尺度检测方案在灵敏度达到89.3％的情况下每张图像报告了0.35个假阳性。 这表明行人检测的多尺度方案实现了高性能。

二维码

网上只有水平或竖直情况的矩形haar-like feature，而这个代码是倾斜情况下，haar-like feature，虽然代码简单，但是要弄懂其中算法要花不少时间。为了节省同道中人的时间，我将这个代码共享。感谢Rainer Lienhart的论文。

采用积分图的方法,快速提取图像haar-like特征