一. 人眼檢測
opencv自帶的人眼檢測，**及教程都已比較普及，這裡不再囉嗦，訓練模板直接 load已經訓練好的檔案：
haarcascade_eye_tree_eyeglasses.xml，直接看**：
/* linolzhang 2014.10
基於opencv的人眼檢測 - cascade
*/#include "opencv2/highgui/highgui.hpp"
#include "opencv2/objdetect/objdetect.hpp"
#pragma comment(lib,"opencv_core2410.lib")
#pragma comment(lib,"opencv_objdetect2410.lib")
#pragma comment(lib,"opencv_highgui2410.lib")
using namespace cv;
int main(int argc, char** argv)
{ mat src;
if(argc != 2)
src = imread("1.png");
else
src = imread(argv[1]);
cascadeclassifier eye_cascade;
eye_cascade.load("haarcascade_eye_tree_eyeglasses.xml");
std::vectoreyes;
eye_cascade.detectmultiscale( src, eyes, 1.1, 2, 0|cv_haar_scale_image, size(30, 30) );
for(int i=0; i檢測效果（基本能夠滿足需求）：
二. 中心點定位
在確定人眼區域後，第二個目標就是眼球定位，眼球定位能夠確定眼睛的中心位置，這在眼睛跟蹤上非常有意義，一般來說，vr中基於眼動跟蹤的控制，adas上用於疲勞檢測都需要用到眼睛的中心點資訊。
能夠直觀想到的方法就是 hough變換，這裡有乙個假設，眼睛的正中心是多個同心圓的圓心。
正常情況下，該方案是work的，但實際上，由於眼球的部分遮擋（小眼睛）、光線反射、噪點 等問題會導致識別率下降。
作者提出的方法主要基於下面兩個假設：
1. 梯度方向
眼睛正中心 為梯度方向的匯聚交點；
2. 對稱性
當然，也可以採用區域性二值特徵等紋理描述方式，這在一定情況下有效，對於反射比較重的情況下差異其實不大，因此，灰度特徵一般都能夠衡量。
三. 眨眼檢測
通常的眨眼檢測方法有以下幾種：
1. 基於閾值判斷該閾值通常是時間，一段時間內無法檢測到眼球，認為眼睛處於閉的狀態；
也有演算法基於眼睛特徵點的 寬高比，當低於乙個閾值時，認為眼睛為閉，當然也有人說這種方法不準確，有很多人「眯縫眼」。
2. 根據特徵點運動
由於眼睛狀態的閉合瞬間很難**捉到，因此大部分的眨眼過程都表現為特徵點的瞬間運動，我們稱為眼皮跳，這種情況下的運動通常是有規律的，根據研究人員觀察，上眼皮下移、下眼皮上移，都是有規律可循。
3. 疲勞特徵
疲勞在眨眼情況下的表現是，上眼皮的緩慢下移以及眼睛中心的下移（可能伴隨低頭），當然眨眼檢測只是疲勞的乙個方面的特徵。
機器學習實踐系列之15 OpenCV之MSER
最大穩定極值區域mser maximally stable extremal regions 是一種類似分水嶺的演算法，目前主要用於影象分割和車牌區域檢測。2012年由matas等人提出。mser基本原理是對一幅灰度影象 灰度值為0 255 取閾值進行二值化處理，閾值從0到255依次遞增。在得到的所...
NPL實踐系列 4 傳統機器學習
原理 基於樸素貝葉斯公式，比較出後驗概率的最大值來進行分類，後驗概率的計算是由先驗概率與類條件概率的乘積得出，先驗概率和類條件概率要通過訓練資料集得出，即為樸素貝葉斯分類模型，將其儲存為中間結果，測試文件進行分類時呼叫這個中間結果得出後驗概率。模型和訓練 樸素貝葉斯分類器是一種有監督學習，常見有三種...
機器學習實踐之特徵工程
特徵工程是機器學習任務中非常核心的部分，特徵工程質量的好壞直接影響著模型訓練結果的好壞。常見的特徵工程可以分為特徵抽象 特徵重要性評估 特徵衍生和特徵降維等幾個方面。特徵抽象是指將原始資料抽象成演算法 或模型 可以理解的資料。針對不同的資料型別，主要有如下特徵抽象方法 1 時間戳。主要是針對具有鮮明...