级联分类器

先把我印象笔记里的东西贴出来，后期有时间再细细整理。

分类器的工作原理：
一个分类器经过大量的正例和反例训练。训练后，可以应用到与训练过程中大小相同的感兴趣区域中使用。检测过程中，产生一个搜索框在图片移动，经过每个位置并用分类器检测。搜索框的尺寸会在每一遍检索完后改变。

级联分类器现在有两种选择：
一是使用 opencv1 的CvHaarClassifierCascade函数，二是使用新版本的CascadeClassifier类。
老版本的分类器只支持类Haar特征，而新版本的分类器既可以使用Haar，也可以使用LBP特征。

cvHaarDetectObjects：
下面来看看这个函数的介绍：
函数功能：检测图像中的目录
函数原型：
CvSeq* cvHaarDetectObjects(const CvArr* image, CvHaarClassifierCascade* cascade, CvMemStorage* storage, double scale_factor=1.1, int min_neighbors=3, int flags=0, CvSize min_size=cvSize(0,0), CvSize max_size=cvSize(0,0))

函数说明：
image：表示输入图像，尽量使用灰度图以加快检测速度。
cascade：表示Haar特征分类器，可以用cvLoad()函数来从磁盘中加载xml文件作为Haar特征分类器。
void* cvLoad(const char* filename, CvMemStorage* memstorage=NULL, const char* name=NULL, const char** real_name=NULL)
filename ：文件名称
memstorage ：Memory storage for dynamic structures, such as CvSeq or CvGraph . It is not used for matrices or images.
name ：Optional object name. If it is NULL, the first top-level object in the storage will be loaded.
real_name ：Optional output parameter that will contain the name of the loaded object (useful if name=NULL )

storage：为CvMemStorage类型，大家应该很熟悉这个CvMemStorage类型了
scale_factor：表示在前后两次相继的扫描中，搜索窗口的比例系数。默认为1.1即每次搜索窗口依次扩大10%
min_neighbors：表示构成检测目标的相邻矩形的最小个数(默认为3个)。如果组成检测目标的小矩形的个数和小于 min_neighbors - 1 都会被排除。如果min_neighbors 为 0, 则函数不做任何操作就返回所有的被检候选矩形框，这种设定值一般用在用户自定义对检测结果的组合程序上。
flags：要么使用默认值，要么使用CV_HAAR_DO_CANNY_PRUNING，如果设置为CV_HAAR_DO_CANNY_PRUNING，那么函数将会使用Canny边缘检测来排除边缘过多或过少的区域，因此这些区域通常不会是人脸所在区域。
min_size、max_size：表示检测窗口的最小值和最大值，一般设置为默认即可。
函数返回值：
函数将返回CvSeq对象，该对象包含一系列CvRect表示检测到的人脸矩形。

CascadeClassifier类：
1.级联分类器的加载
CascadeClassifier::CascadeClassifier(const String& filename)
或
bool CascadeClassifier::load(const String& filename)

2.判断是否为空
bool CascadeClassifier::empty() const

3.检测物体，并返回矩形数组
void CascadeClassifier::detectMultiScale(InputArray image, vector& objects, double scaleFactor=1.1, int minNeighbors=3, int flags=0, Size minSize=Size(), Size maxSize=Size())

void CascadeClassifier::detectMultiScale(InputArray image, vector& objects, vector& numDetections, double scaleFactor=1.1, int minNeighbors=3, int flags=0, Size minSize=Size(), Size maxSize=Size())

void CascadeClassifier::detectMultiScale(InputArray image, std::vector& objects, std::vector& rejectLevels, std::vector& levelWeights, double scaleFactor=1.1, int minNeighbors=3, int flags=0, Size minSize=Size(), Size maxSize=Size(), bool outputRejectLevels=false )

参数介绍：
image：待检测图片，一般为灰度图像加快检测速度
objects：矩形的向量，其中每个矩形包含检测到的对象，矩形可能部分地在原始图像之外。
scaleFactor：表示在前后两次相继的扫描中，搜索窗口的比例系数。默认为1.1，即每次搜索窗口依次扩大10%;
minNeighbors：表示构成检测目标的相邻矩形的最小个数(默认为3个)。指定每个候选矩形有多少个邻居需要保留它的参数。
如果组成检测目标的小矩形的个数和小于 min_neighbors - 1 都会被排除。
如果min_neighbors 为 0, 则函数不做任何操作就返回所有的被检候选矩形框，这种设定值一般用在用户自定义对检测结果的组合程序上。
flags： 兼容老版本的一个参数，在3.0版本中没用处。默认为0。
minSize和maxSize是最小检测窗口大小和最大检测窗口大小。

该函数在输入图像的不同尺度中检测物体，参数 image 为输入的灰度图像，objects为得到被检测物体的矩形框向量组，scaleFactor为每一个图像尺度中的尺度参数，默认值为1.1，minNeighbors参数为每一个级联矩形应该保留的邻近个数（没能理解这个参数，-_-|||），默认为3，flags对于新的分类器没有用（但目前的haar分类器都是旧版的，CV_HAAR_DO_CANNY_PRUNING利用Canny边缘检测器来排除一些边缘很少或者很多的图像区域，CV_HAAR_SCALE_IMAGE就是按比例正常检测，CV_HAAR_FIND_BIGGEST_OBJECT只检测最大的物体，CV_HAAR_DO_ROUGH_SEARCH只做初略检测），默认为0.minSize和maxSize用来限制得到的目标区域的范围。
face_cascade.detectMultiScale( frame_gray, faces, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) );