Chuyện gì đang xảy ra?
Khuôn mặt có những vùng sáng tối ổn định: vùng má thường sáng hơn hốc mắt, sống mũi sáng hơn hai bên. Haar-like feature đo chênh lệch tổng cường độ giữa các hình chữ nhật trắng/đen. Một feature đơn lẻ rất yếu, nhưng AdaBoost có thể chọn và kết hợp nhiều feature thành một bộ phân loại mạnh.
Để tính tổng cường độ trong một hình chữ nhật nhanh, người ta dùng integral image: mỗi pixel lưu tổng của toàn bộ vùng phía trên-trái. Khi đó tổng một hình chữ nhật chỉ cần bốn phép tra cứu, bất kể kích thước. Đây là lý do Haar cascade chạy được realtime trên CPU.
Cascade là một chuỗi các stage. Mỗi stage được thiết kế để loại rất nhanh các cửa sổ chắc chắn không phải mặt, và chỉ giữ lại những cửa sổ có khả năng. Đa số vị trí bị loại ở vài stage đầu; chỉ một số ít đi hết cascade. Đánh đổi là có thể bỏ sót mặt khó, nhưng tốc độ rất tốt.
Haar cascade chỉ ổn với mặt chính diện, ánh sáng tương đối đều và kích thước đủ lớn. Nó không xử lý tốt mặt nghiêng, bị che hoặc chất lượng thấp. Trong sản phẩm hiện đại, DNN detector (YOLO, MTCNN, RetinaFace) thường được ưu tiên; Haar vẫn hữu ích như baseline nhẹ và dễ triển khai.
Thuật toán không “hiểu” ảnh. Nó chỉ tìm một cách biến đổi có thể kiểm tra được.
Viết lại bằng toán.
Không cần thuộc lòng. Hãy đọc công thức như một câu mô tả: đại lượng nào được cộng, cái gì bị chuẩn hoá, và điều kiện nào khiến nó thất bại.
Integral image
- ii: tổng luỹ kế
- Tổng hình chữ nhật = ii(A) − ii(B) − ii(C) + ii(D)
Bốn phép tra cứu cho bất kỳ hình chữ nhật nào, không phụ thuộc diện tích.
Haar-like feature
- f: chênh lệch cường độ
- Có nhiều hình dạng: 2 ô, 3 ô, 4 ô
Feature tốt nhất được AdaBoost chọn qua các vòng boosting.
Cascade
- Mỗi stage là một AdaBoost mạnh
- Stage đầu rẻ, loại phần lớn cửa sổ nền
Cascade đánh đổi recall để có tốc độ; minNeighbors điều chỉnh độ khắt khe.
Luồng xử lý bằng lời.
-
01
Chuyển xám
Haar cascade làm việc trên ảnh xám; equalize giúp ổn định với ánh sáng.
-
02
Nạp cascade
Dùng file XML đi kèm OpenCV, ví dụ
haarcascade_frontalface_default.xml. -
03
Quét đa tỉ lệ
detectMultiScaletrượt cửa sổ ở nhiều scale; scaleFactor càng nhỏ càng kỹ nhưng chậm. -
04
Lọc bằng minNeighbors
Giữ một detection chỉ khi có đủ nhiều cửa sổ lân cận đồng ý; tăng để giảm false positive.
-
05
Kiểm tra trực quan
Vẽ box, xem false positive/negative; thử ảnh không có mặt để kiểm tra độ ổn định.
Núm vặn và cạm bẫy.
| Tham số | Ý nghĩa | Khoảng |
|---|---|---|
scale | Hệ số thu nhỏ cửa sổ giữa các lần quét. | 1.01…1.5 |
neighbors | Số lân cận tối thiểu để giữ detection. | 1…12 |
min_size | Kích thước mặt tối thiểu. | 20…240 px |
equalize | Cân bằng histogram trước khi detect. | true / false |
! Cạm bẫy thường gặp
- Haar cascade bỏ sót mặt nghiêng, mặt bị che hoặc quá nhỏ.
- minNeighbors thấp tạo false positive; cao quá bỏ sót mặt thật.
- Ảnh quá tối hoặc ngược sáng làm feature chênh lệch sáng/tối mất ổn định.
- Haar không phải detector hiện đại; đừng dùng nó cho bài toán cần độ chính xác cao.
Mã nguồn tối giản, không phải giả mã.
import cv2
img = cv2.imread("astronaut.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.equalizeHist(gray)
path = cv2.data.haarcascades + "haarcascade_frontalface_default.xml"
cascade = cv2.CascadeClassifier(path)
faces = cascade.detectMultiScale(
gray,
scaleFactor=1.10,
minNeighbors=6,
minSize=(50, 50),
)
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
print("faces:", len(faces))
Điều chỉnh tham số.
Chọn ảnh mẫu hoặc tải ảnh của bạn lên, chỉnh tham số, rồi chạy. Kết quả, các bước trung gian và nhật ký được cập nhật ngay tại đây.
$ bài thử chưa chạy $ chọn ảnh và bấm “Chạy thử”
Dùng nó ở đâu?
Baseline phát hiện mặt trên CPU, thiết bị nhúng.
Đếm người trong ảnh thử, kiểm tra camera.
Học cách cascade và integral image hoạt động.