上一篇我們初步分析了下示例代碼facedetector的程序參數解析部分。其中參數解析的過程如下：

其中第4步黃色標注的部分cascadeName,是我們人臉識別分類器的主要參數。
在openCV中，實現了著名的haar特征檢測算法，而依托該算法分類器，我們可以實現人臉識別、定位。

該算法基于特征模板的滑動計算圖像特征，從而區分物體的顯著輪廓。

這些特征模板形似以下圖像：

試想用這些黑白二值圖像”蒙”在你的圖像或部分圖像上，然后你原來的圖像被分成“黑”“白”兩類區域，最后用黑色區域和白色區域的像素進行簡單的加減運算，便能得到圖像的基本特征。

例如，我們將模板窗口（3）“蒙”在鼻子部位，便能得到相契合的特征，將模板窗口（4）放在雙眼部位，同樣能得到與雙眼部位契合的特征。

但是如何根據不同圖像來確定特征模板窗口的大小，和它們應該放置的位置呢。比如上圖，我們怎么知道將特定大小的“上黑下白”特征模板固定在圖像的高度3/4上？

答案就是，我們讓不知勞累的計算機，測試各種位置和大小。

這是一個巨大的工作量，首先我們如果確定具體特征模板窗口大小為24,24。那么我們就得將待檢測圖像分為若干個24,24大小區域，試圖分別用不同特征模板檢測*區域圖像是否“匹配”某特征，那么單單一個窗口匹配次數是大于160000，這依然將是一個巨大的工作量。

但如果引入級聯分類器——Cascade Classifiers，那么工作量就會極大的縮減。

拿人臉檢測來講，先用一些特征，確定該區域圖像“有臉”以及“無臉“，丟掉”無臉“部分，然后再用其他特征檢測，來進一步確定特征的是否存在，以及確定其特征位置。

這個過程使得我們匹配特征的過程產生一個“級聯“的工作模式，每往下走一層，就會”丟掉“一些無關的區域，這樣特征就越來越精確。

從上述過程當中我們可以看到，單獨一個特征不能確定最終結果，而是多個特征的級聯聯合使得最終我們能夠做出一個精確的判斷。

我們把單個特征的檢測叫做弱分類器（因為它不能單獨確定最終結果），而把這些弱分類器級聯成的最終分類器成為強分類器。可見最終的強分類器是在集成算法的基礎上構建的。

好吧，言歸正傳，openCV實現了這個強分類器，用CascadeClassifier類封裝該分類器。你可以實例化該類對象，并設計一個訓練計劃，來訓練想要的特征檢測器。

對與人臉檢測來說，openCV已經幫我們訓練好了分類器，該分類器的參數數據保存在一個xml文件中。

在實際使用過程中，這個文件的路徑將作為重要的參數和被檢測圖像一起傳給CascadeClassifier對象，接著對被檢測圖像中人臉進行定位。

而上一篇中，解析出的參數cascadeName，正是這個文件路徑

我們接著上一篇，繼續往下做，得到cascadeName后，構造CascadeClassifier對象”cascade”。
然后利用classifier對被檢測圖像進行人臉預測。

同樣，我們簡化源代碼，此次只對單張圖像進行檢測。

//根據分類器模板路徑cascadeName構造級聯分類器(CascadeClassifier)對象"cascade"cv::CascadeClassifier cascade(cascadeName);//讀入被檢測圖像Mat image = imread("D:/試驗/test/baby.png");//定義灰度圖像，用于暫存原圖像對應的灰度圖。Mat gray;//將原被檢測圖像從真彩色圖像轉換為灰度圖cvtColor(image, gray, cv::COLOR_BGR2GRAY);//定義一個向量（數組），用于存放所檢測出的人臉位置（注意：可能并不只有一個人臉）vector<Rect> faces;//啟動檢測cascade.detectMultiScale(gray,faces);//用紅色矩形繪制人臉位置結果for (int i = 0; i < faces.size(); i++){cv::rectangle(image, faces[i], Scalar(255, 0, 0));}//顯示最終被“標記”的圖像imshow("檢測人臉", image);//等待用戶輸入任意鍵結束程序waitKey();

運行結果：

最后發下關于類CasadeClassifier的官方文檔解釋，本篇博文多是對該文檔的總結https://docs.opencv.org/3.4/db/d28/tutorial_cascade_classifier.html

上一篇-----程序參數解析

下一篇-----微笑識別

總結

以上是生活随笔為你收集整理的人脸识别示例代码解析（二）——人脸识别解析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。