OpenCV_机器学习-Haar特征+adaboost分类器进行人脸识别

opencv_机器学习-Haar特征+adaboost分类器介绍
1.训练终止条件：
1）迭代的最大次数或循环终止次数大于某个值时迭代终止
2）每次检测完后都有一个检测概率，当训练过程大于最小检测概率时训练终止
2.adaboost分类器的结构：
强分类器的作用将弱分类器计算得到的特征适用于判决
两级强分类器haar>T1 and haar>T2
强分类器个数一般为15_{20个，运算出来的haar特征必须要连续通过15}20个强分类器才被认为是目标
3个强分类器：1）特征x1 阈值t1 2）特征x2 阈值t2 3）特征x3 阈值t3
判决：x1>t1 and x2>t2 and x3>t3 -> 目标
每一个强分类器可以分解成若干个弱分类器结构，每一个弱分类器又可以分解成若干特征Node
弱分类器结构：
弱分类器的作用是用来计算强分类器的特征x1 x2 x3
3.adaboost分类器计算过程
一个弱分类器最多支持三个haar特征，每一个haar特征构成一个Node节点
以第一个节点为例
node1对应的haar1 > nodeT1 z1 = a1
node1对应的haar1 < nodeT1 z1 = a2
node1对应的haar2 > nodeT2 z2 = a1
node1对应的haar2 < nodeT2 z2 = a2
node1对应的haar3 > nodeT3 z3 = a1
node1对应的haar3 < nodeT3 z3 = a2
整的Node节点Z = sum(z1,z2,z3) > T 弱分类器特征y1= AA y2= AA y3= AA
整的Node节点Z = sum(z1,z2,z3) < T 弱分类器特征y1y1= BB y2= BB y3= BB
强分类器特征x2 = sum(y1,y2,y3)
x1>t1 and x2>t2 and x3>t3 -> 目标
4.OpenCV自带的adaboost分类器的文件结构（xml文件类型）
adaboost分类器训练步骤：
1.初始化数据权值分布，所有的权值必须要相等
2.遍历判决阈值，选取最小的误差（minP）概率t
3.计算权重GI(x)
4.更新训练数据的权重分布
1.load两个xml文件
2.加载图片
3.计算haar特征，对图片进行灰度处理
4.进行检测
5.对检测出来的结果进行遍历并进行画框

import cv2
import numpy as np
#load xml
face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml')
#load jpg
img = cv2.imread('face.jpg')
cv2.imshow('src',img)
#haar gray
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#检测出人脸，第一个参数是灰度图像的数据，第二个参数是比例缩放系数，第三个参数是目标大小
faces = face_xml.detectMultiScale(gray,1.3,5) 
print('face=',len(faces))#打印人脸的个数
#给每一个人脸画方框
for (x,y,w,h) in faces:
    #第一个参数是图片数据，第二个参数是xy起始坐标，第三个参数是加上偏移，第四一个参数是颜色，第五个参数是方框线条宽度
    cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
    #进行人眼识别
    roi_face = gray[y:y+h,x:x+w]
    roi_color = img[y:y+h,x:x+w]
    #这里的参数必须是灰度图像
    eyes = eye_xml.detectMultiScale(roi_face)
    print('eyes=',len(eyes))#打印眼睛的个数
    #绘制眼睛
    for (e_x,e_y,e_w,e_h) in eyes:
        cv2.rectangle(roi_color,(e_x,e_y),(e_x+e_w,e_y+e_h),(0,255,0),2)
cv2.imshow('dst',img)
cv2.waitKey(0)