级联分类器
首先研究级联分类器。
理论
级联分类器，即使用类 Haar 特征工作的级联增强分类器，是集成学习的一种特殊情况，称为 boost。它通常依赖于 Adaboost 分类器（以及其他模型，如 Real Adaboost、Gentle Adaboost 或 Logitboost）。
级联分类器在包含检测目标的几百个样本图像以及不包含检测目标的其他图像上进行训练。
级联分类器
1、Haar 特征选择
人脸上最常见的一些共同特征如下：
与脸颊相比，眼部颜色较深
与眼睛相比，鼻梁区域较为明亮
眼睛、嘴巴、鼻子的位置较为固定…
这些特征称为 Haar 特征。
Haar 特征
第一个特征测量眼部和上脸颊之间的强度差异。特征值计算的方法很简单，对黑色区域中的像素求和再减去白色区域中的像素即可。
2、OpenCV-LBP人脸识别相关类和函数
首先，还是说一下LBP特征的原理，方便后面的阐述。
原始的LBP算法的基本思想是在33的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，33邻域内的8个点经过比较可产生8位二进制数，如图1中00010011（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。如下图所示：
通过对全局图像进行LBP特征提取得到LBP图，LBP特征图是不能直接来作人脸识别的，需要对LBP特征图进行分块并计算每个分块的直方图，通过直方图的统计信息进行识别，最后将各块的直方图首尾相连就得到一张图片最终的LBP特征描述向量。计算两张图片的LBP特征向量的相似度即可实现人脸识别。
代码实现：
import cv2 as cv
import numpy as np#人脸检测
def face_detect_demo(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)#CascadeClassifier：级联检测器face_detector = cv.CascadeClassifier("D:/opencv-3.3/opencv/build/etc/lbpcascades/lbpcascade_frontalcatface.xml")#detectMultiScale 在多个尺度空间进行人脸检测 2：检测不出来就设置的低一点faces = face_detector.detectMultiScale(gray, 1.1, 2)# 绘制人脸矩形框for x, y, w, h in faces:cv.rectangle(image, (x, y), (x+w, y+h), (0, 0, 255), 2)cv.imshow("result", image)print("--------- Python OpenCV Tutorial ---------")
#src = cv.imread("D:/vcprojects/images/topstar.png")
capture = cv.VideoCapture(0) #视频中检测：启动电脑摄像头
#cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.namedWindow("result", cv.WINDOW_AUTOSIZE)
while(True):ret, frame = capture.read()frame = cv.flip(frame, 1)face_detect_demo(frame)c = cv.waitKey(10)if c == 27: # ESCbreak#cv.imshow("input image", src)
cv.waitKey(0)cv.destroyAllWindows()