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 recognition)。進行性別、年齡等資訊的分析和識別。
這三個問題可以說每乙個都是乙個非常廣泛的研究領域，有很多值得做的工作。本文只做一些簡單的介紹。
傳統的人臉檢測演算法是viola-jones演算法。在opencv中的人臉檢測功能也是使用的這種演算法。它有三個核心步驟：haar-like特徵、adaboost分類器和cascade級聯分類器。
所謂haar-like特徵其實很好理解。haar-like特徵類似於下圖：
而所謂的haar-like的特徵值就是圖中白色的畫素值求和，求和之後與黑色的畫素值做差得到的。即
feature=sum(white)-sum(black)在這樣一幅圖中，我們記某一點的畫素值為ii(x)，則當我們想要計算d區域中所有畫素和時，使用ii(4)-ii(2)-ii(3)+ii(1)即可。這就可以大大減少計算時間，提公升效率。
有了特徵，想要得到區分函式是非常容易的。常見的svm方法和knn方法都是可以做到的。但儘管本身的計算並不複雜，但haar特徵還是太多了。尤其現在解析度動輒成千上萬。從這些特徵中選取合適的特徵就非常重要。從工程中得到的實踐結果是，我們可以通過結合很多個弱分類器從而組合成乙個強分類器。這就是adaboost方法。用數學的方式就可以表示為：
f(x) =σαf(x)在上圖中，每個資料點都有乙個類別的標籤，不妨設紅色為1，綠色為-1。每個資料點也有乙個權重wt。初始權重均為1。
我們不妨先隨意分一下看看。
看上去錯誤的還挺多的。我們可以經過幾次平移選乙個相對比較好的。雖然看上去就和亂分差不多。
這是只有乙個線性劃分函式的情況下比較好的結果了，但是仍然有很多錯誤的結果，我們不妨把它們的權重加大。
這個時候就發現了乙個新的問題，類似地，我們把現在的權重情況下的資料點進行分類。
之後再加大劃分錯誤的點的權重，並再次進行劃分。
反覆數次後就可以在數個線性分類器（或者說弱分類器）的基礎上，構造乙個非線性的分類器（強分類器）。而且這個分類器還比較好地完成了分類的任務。
渣渣我還做了個gif展示效果。
adaboost
在vj方法中的第三個亮點就是使用了級聯分類器。簡單來說，就是先將幾個通過adaboost方法得到的強分類器進行排序，排序原則是簡單的放在前邊。因為通常來說人臉只佔一小部分，所以可以很放心地在前幾層分類器就拒絕掉大部分非人臉區域。只要前一級拒絕了，就不在進入下一級分類器，這可以大大提高速度。其本質是一顆退化決策樹。
cascade classifier
在viola和jones的**中，共建立了38層分類器來檢測正面的人臉。使用了4916張人工標記的人臉，並調整到了24*24的解析度。測試結果如下：
results
results-2
opencv之分類級聯器 人臉檢測
分類器逐級篩選最終選定人臉，可以通過haar積分 lbp檢測方法實現，opencv已經實現現成的分類其我們可以拿來直接使用。分類器存放在 linux環境下 opencv原始碼編譯路徑下的share opencvx haarcascades路徑下的.xml檔案 haarcascade eye.xml ...
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...
使用 Haar 級聯人臉檢測
haar 級聯概念 在進行影象分類和跟蹤過程中，提取影象的細節很有用，這些細節也被稱為特徵，對於給定的影象，特徵可能會因區域的大小而有所不同，區域大小也可被稱為視窗大小。即使視窗大小不同，僅在尺度上大小不同的影象也應該有相似的特徵。這種特徵集合被稱為級聯。haar 級聯具有尺度不變性。opencv ...