anaconda opencv 分类器

前提知识

正样本，负样本：检测是否戴口罩，则戴口罩为正样本，不戴口罩为负样本。
正样本量：负样本量=1:3
正样本图片的像素：建议2020，训练精度更高
负样本图片的像素：建议8080（须>50*50，加快训练速度）

描述文件txt：每张图片的绝对路径 图中几个目标 图片左坐标 图片上坐标 图片宽度 图片高度
E:/img/have_mask/1001.jpg 1 0 0 20 20
vec文件：是将可视的图片转化为矩阵存储

训练时：
一般训练到损失为0.0004就可以，继续训练可能过拟合。要合理选择stage
N训练层数，HR 命中率；FA 警告，只有当每一层训练的FA < maxfalsealarm数值才会进入下一层训练

安装opencv 3.4.1

涉及的分类器

Haar

Harr特征分类器，XML文件，该文件中会描述人体各个部位的Haar特征值。包括人脸、眼睛、嘴唇等等。
如：haarcascade_frontalface_default.xml 人脸检测

face_detector= cv2.CascadeClassifier(r'E:\location\anaconda\pkgs\libopencv-3.4.1-h875b8b8_3\Library\etc\haarcascades\haarcascade_frontalface_default.xml')

detectMultiScale函数

它可以检测出图片中所有的人脸，并将人脸用vector保存各个人脸的坐标、大小（用矩形表示），函数由分类器对象调用：

faces=face_detector.detectMultiScale(gray, 1.1, 3)

void detectMultiScale(
	const Mat& image,
	CV_OUT vector<Rect>& objects,
	double scaleFactor = 1.1,
	int minNeighbors = 3, 
	int flags = 0,
	Size minSize = Size(),
	Size maxSize = Size()
);

参数1：img 一般为灰度图像，加快检测速度；
参数3：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%;
参数4：minNeighbors--表示构成检测目标的相邻矩形