（学习笔记二）——基于opencv人脸检测原理及实现

最近搞了几天的人脸检测，终于把大体框架和原理搞清楚了，现在写出来供大家学习之用，如有不对之处，还请大家指正。也希望大家在学习opencv的过程中能将学习过程及重点记录下来，以博客的形式分析，毕竟opencv的教材还不太多，我们自己学习大部分要靠网上的资料。通过博客分享的形式能使大家快速进步，同时也算是对自己学习的一个记录和总结。只是一个倡议，大家自己决定，呵呵。
好了进入正题。
学习基于opencv的人脸检测，首先要理清大概需要做哪些事情。这里总共分两步，第一步就是训练分类器，第二步就是利用训练好的分类器进行人脸检测。
1、训练分类器
训练分类器我没有学习，因为opencv的源代码中（opencv安装目录\data\haarcascades）中已经有了很多训练好的分类器供我们使用。但是有必要对分类器的训练原理和过程做一些介绍，以便后面进一步的学习中能够对这部分有一定了解。
目前人脸检测分类器大都是基于haar特征利用Adaboost学习算法训练的。

目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善. 首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本(例如人脸或汽车等)，反例样本指其它任意图片，所有的样本图片都被归一化为同样的尺寸大小(例如，20x20)。

分类器训练完以后，就可以应用于输入图像中的感兴趣区域(与训练样本相同的尺寸)的检测。检测到目标区域(汽车或人脸)分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。 为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。

分类器中的“级联”是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器， 这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。 目前支持这种分类器的boosting技术有四种： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。"boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。基础分类器是至少有两个叶结点的决策树分类器。 Haar特征是基础分类器的输入，主要描述如下。目前的算法主要利用下面的Harr特征。