OpenCV实战（30）——OpenCV与机器学习的碰撞

0. 前言

随着人工智能的发展，许多机器学习算法开始用于解决机器视觉问题。机器学习是一个广泛的研究领域，包含许多重要的概念，本节我们将介绍一些主要的机器学习技术，并介绍如何使用 OpenCV 在计算机视觉系统中应用这些技术。

1. 机器学习简介

机器学习的核心是开发可以自行学习如何对数据输入进行处理的计算机系统。机器学习系统无需明确的显式编程，而是根据数据样本自动训练和学习，一旦系统成功完成训练，则训练后的系统可以对新的没有见过的数据输出正确的结果。
机器学习可以用于解决多种类型的问题，但在本节，我们重点是分类问题。通常，为了构建一个可以识别特定类别实例的分类器，必须使用大量带标签的样本来训练分类器。在二分类问题中，样本数据集由表示要学习的类实例的正样本和由不属于感兴趣类实例的负样本组成。从样本数据中，系统将学习能够预测输入实例正确类别的决策函数。
在计算机视觉中，数据样本可以是图像或视频片段。因此，首先需要以一种统一的方式描述每个图像的内容，一种简单的表示是将图像缩放至固定大小，将缩放后的像素的逐行连接形成一个向量，然后将其用作机器学习算法的训练样本。本节中我们将学习不同的图像表示方法，并构建一个经典的人脸识别模型。

2. 基于局部二值模式的最近邻人脸识别

我们首先介绍最近邻分类 (nearest neighbor classification) 以及局部二值模式 (Local Binary Pattern, LBP) 特征，局部二值模式是一种流行的图像表示方法，以独特的方式对图像的纹理图案和轮廓进行编码。