opencv支援的目標檢測的方法是利用樣本的haar特徵進行的分類器訓練，得到的級聯boosted分類器（cascade classification）。注意，新版本的c++介面除了haar特徵以外也可以使用lbp特徵。
先介紹一下相關的結構，級聯分類器的計算特徵值的基礎類featureevaluator，功能包括讀操作read、複製clone、獲得特徵型別getfeaturetype，分配分配視窗的操作setimage、setwindow，計算有序特徵calcord，計算絕對特徵calccat，建立分類器特徵的結構create函式。級聯分類器類cascadeclassifier。目標級聯矩形的分組函式grouprectangles。
這裡再補充一點：後來我又進行了一些實驗，對正面人臉分類器進行了實驗，總共有4個，
alt、alt2、alt_tree、default
。對比下來發現alt和alt2的效果比較好，alt_tree耗時較長，default是乙個輕量級的，經常出現誤檢測。所以還是推薦大家使用haarcascade_frontalface_atl.xml和haarcascade_frontalface_atl2.xml。
呼叫cascadeclassifier類成員函式load實現，**為：
[cpp]view plain
copy
cascadeclassifier face_cascade;
face_cascade.load("haarcascade_frontalface_alt.xml"
);
這裡先將影象變成灰度圖，對它應用直方圖均衡化，做一些預處理的工作。接下來檢測人臉，呼叫detectmultiscale函式，該函式在輸入影象的不同尺度中檢測物體，引數image為輸入的灰度影象，objects為得到被檢測物體的矩形框向量組，scalefactor為每乙個影象尺度中的尺度引數，預設值為1.1，minneighbors引數為每乙個級聯矩形應該保留的鄰近個數（沒能理解這個引數，-_-|||），預設為3，flags對於新的分類器沒有用（但目前的haar分類器都是舊版的，cv_haar_do_canny_pruning利用canny邊緣檢測器來排除一些邊緣很少或者很多的影象區域，cv_haar_scale_image就是按比例正常檢測，cv_haar_find_biggest_object只檢測最大的物體，cv_haar_do_rough_search只做初略檢測），預設為0.minsize和maxsize用來限制得到的目標區域的範圍。這裡呼叫的**如下：
[cpp]view plain
copy
face_cascade.detectmultiscale( frame_gray, faces, 1.1, 2, 0|cv_haar_scale_image, size(30, 30) );
這個也比較簡單，呼叫ellips函式將剛才得到的faces矩形框都顯示出來
機器學習 基於級聯分類器的多目標檢測
2019獨角獸企業重金招聘python工程師標準 當然了，作為有理想有抱負的碼農，用現成的分類器是不會滿足的。現實使用中我們經常需要訓練針對各種應用的分類器。下面介紹如何訓練乙個自己的級聯分類器。整個過程大致可分為以下幾步 基於opencv 2.4.4 1.收集資料 資料可分為正樣本和負樣本。正樣本...
基於OpenCV級聯分類器的人臉檢測
使用級聯分類器訓練人臉模型 作為乙個大四狗，在畢業之前想做點有意思的東西，加上人工智慧這兩年很火，也就從網上找資源，進行了乙個學習的過程，使用的平台是qt5.12 opencv3.40。目的就是為了訓練乙個可以進行人臉檢測的模型。跟著賈志剛老師的課程學了一段時間以後，自己也就找專案去練手去了。不過在...
人臉檢測級聯分類器
對於人臉識別這種型別的應用來說，通常都會分為幾個步驟 人臉檢測 face detection 檢測到人臉所在的區域。並進行一系列的矯正。人臉校準 face alignment 人臉校準指的是在中尋找到鼻子 眼睛 嘴巴之類的位置。如圖中，紅色的框是在進行檢測，白色的點是在進行校準。資訊識別 info ...