人脸识别示例代码解析（二）——人脸识别解析

上一篇我们初步分析了下示例代码facedetector的程序参数解析部分。其中参数解析的过程如下：

其中第4步黄色标注的部分cascadeName,是我们人脸识别分类器的主要参数。
在openCV中，实现了著名的haar特征检测算法，而依托该算法分类器，我们可以实现人脸识别、定位。

该算法基于特征模板的滑动计算图像特征，从而区分物体的显著轮廓。

这些特征模板形似以下图像：

试想用这些黑白二值图像”蒙”在你的图像或部分图像上，然后你原来的图像被分成“黑”“白”两类区域，最后用黑色区域和白色区域的像素进行简单的加减运算，便能得到图像的基本特征。

例如，我们将模板窗口（3）“蒙”在鼻子部位，便能得到相契合的特征，将模板窗口（4）放在双眼部位，同样能得到与双眼部位契合的特征。

但是如何根据不同图像来确定特征模板窗口的大小，和它们应该放置的位置呢。比如上图，我们怎么知道将特定大小的“上黑下白”特征模板固定在图像的高度3/4上？

答案就是，我们让不知劳累的计算机，测试各种位置和大小。

这是一个巨大的工作量，首先我们如果确定具体特征模板窗口大小为24,24。那么我们就得将待检测图像分为若干个24,24大小区域，试图分别用不同特征模板检测*区域图像是否“匹配”某特征，那么单单一个窗口匹配次数是大于160000，这依然将是一个巨大的工作量。

但如果引入级联分类器——Cascade Classifiers，那么工作量就会极大的缩减。

拿人脸检测来讲，先用一些特征，确定该区域图像“有脸”以及“无脸“，丢掉”无脸“部分，然后再用其他特征检测，来进一步确定特征的是否存在，以及确定其特征位置。

这个过程使得我们匹配特征的过程产生一个“级联“的工作模式，每往下走一层，就会”丢掉“一些无关的区域，这样特征就越来越精确。

从上述过程当中我们可以看到，单独一个特征不能确定最终结果，而是多个特征的级联联合使得最终我们能够做出一个精确的判断。

我们把单个特征的检测叫做弱分类器（因为它不能单独确定最终结果），而把这些弱分类器级联成的最终分类器成为强分类器。可见最终的强分类器是在集成算法的基础上构建的。

好吧，言归正传，openCV实现了这个强分类器，用CascadeClassifier类封装该分类器。你可以实例化该类对象，并设计一个训练计划，来训练想要的特征检测器。

对与人脸检测来说，openCV已经帮我们训练好了分类器，该分类器的参数数据保存在一个xml文件中。

在实际使用过程中，这个文件的路径将作为重要的参数和被检测图像一起传给CascadeClassifier对象，接着对被检测图像中人脸进行定位。

而上一篇中，解析出的参数cascadeName，正是这个文件路径

我们接着上一篇，继续往下做，得到cascadeName后，构造CascadeClassifier对象”cascade”。
然后利用classifier对被检测图像进行人脸预测。

同样，我们简化源代码，此次只对单张图像进行检测。

    //根据分类器模板路径cascadeName构造级联分类器(CascadeClassifier)对象"cascade"
    cv::CascadeClassifier cascade(cascadeName);

    //读入被检测图像
    Mat image = imread("D:/试验/test/baby.png");
    //定义灰度图像，用于暂存原图像对应的灰度图。
    Mat gray;
    //将原被检测图像从真彩色图像转换为灰度图
    cvtColor(image, gray, cv::COLOR_BGR2GRAY);
    //定义一个向量（数组），用于存放所检测出的人脸位置（注意：可能并不只有一个人脸）
    vector<Rect> faces;
    //启动检测
    cascade.detectMultiScale(gray,faces);
    //用红色矩形绘制人脸位置结果
    for (int i = 0; i < faces.size(); i++)
    {
    
        cv::rectangle(image, faces[i], Scalar(255, 0, 0));
    }
    //显示最终被“标记”的图像
    imshow("检测人脸", image);
    //等待用户输入任意键结束程序
    waitKey();

运行结果：

最后发下关于类CasadeClassifier的官方文档解释，本篇博文多是对该文档的总结https://docs.opencv.org/3.4/db/d28/tutorial_cascade_classifier.html