Face Detection using Haar Cascades

本翻译有点拗口，有很多地方翻译不对。

haar 级联分类器 是一个有效的目标检测方法，2001年Paul Viola 和 Michael Jones 提出。也是基于机器学习的方法，由大量正反图片训练的级联方法。

这里我们用来人脸检测。该方法需要大量的正图（有人脸）和负图（没有人脸）来训练分类。然后从中提取特征，因此haar特征被使用，特征如下：

它们就像卷积核。每个特征是从白色区域所有像素和减去黑色区域所有像素和获得的。

每个卷积核的所有可能的大小位置都用来计算丰富的特征（想象一下，需要计算多少？每张24*24有160000特征以上），每次特征计算需要计算所有白色区和黑色区的像素和。为解决这个问题，提出积分图像。简化了大量像素时的计算，如此一个操作只要涉及4个像素。

所有这些特征的计算，大部分是无关紧要的。比如下面这张图：

上面一行显示了两个不错的特征，眼睛部位通常比鼻子脸颊要暗，这是第一个特征聚焦的地方。第二张特征依赖于眼睛部位比鼻梁要暗。同样的数据用在脸颊上是无效的，所以我们如果在160000+的特征中找到最好的？这要通过演算法来实现。

我们将逐一应用到每个训练特征上，对每个特征找到最佳阀值，可以将人脸分类为正和负。明显这将导致错误或错误的分类，我们选择出错概率最小的特征，这以为着最好的特征分类就是有脸和无脸。（这个过程并不简单。每张图片开始有一样的权重，之后分类增加，错误分类的比重也增加，循环操作，计算错误概率，还有新的权重，当要求的准确度或者错误概率或者找到匹配时处理停止。）

最终分类器时所用弱分类的权重之和。叫弱分类是因为它是单独的无法分类的图像，但是和其他的结合起来就是强分类。论文说200个特征点的准确率有95%，最后安装的有6000个特征（图像从160000减少到6000，这是一个很大的目标）。

现在用一张24*24的图像，应用6000特征值，检测是否有脸？

解释了聚合分类概念，每个窗口采用6000特征，并把特征逐一分到不同阶段的分类。（通常少许阶段含有少量的特征）。如果在第一阶段失败就放弃，就不再考虑剩下的特征，不在考虑余下的特征，如果通过，进入第二阶段的处理，通过所有阶段的窗口就是有脸的区域。

角色特征有6000多个特征，38个阶段，前5个阶段特征个数1,10,25,25,50（上图中的两个特征是演义出来最好的特征），按照作者的意思，平均每个子窗口有10个特征6000多个特征。

如此，Viola-Jones 的人脸检测如何工作就简单明确的解释。

2，Haar-cascade Detection in OpenCV

OpenCV 附带了一个训练器也是探测器。如果你想训练一喜欢的对象比如汽车，飞机等等，你可以使用opencv创建一个。

这里处理检测。opencv 已经有许多的处理分类如人脸，眼睛，笑脸等等。这些xml分类在 opencv/data/haarcascades/ 文件夹里面，让我们来创建一个人脸，眼睛检测。

然后加载XMl分类文件，输入图形或者视频，转为灰度图。

import numpy as npimport cv2face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml')img = cv2.imread('sachin.jpg')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

现在从图像查找人脸。如果找到人脸，将返回检测到的矩形位置。一旦得到这些位置就可以创建人脸ROI和眼睛的ROI。

faces = face_cascade.detectMultiScale(gray, 1.3, 5)for (x,y,w,h) in faces:    img = cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)    roi_gray = gray[y:y+h, x:x+w]    roi_color = img[y:y+h, x:x+w]    eyes = eye_cascade.detectMultiScale(roi_gray)    for (ex,ey,ew,eh) in eyes:        cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)cv2.imshow('img',img)cv2.waitKey(0)