opencv-haar分类器的基本使用

一、分类器选择

在opencv文件路径下，有着4个haar特征训练的级联分类器，借用官方文档的说明来简单解释下互相之间的区别

haarcascade_frontalface_alt.xml：

Stump-based 20x20 gentle adaboost frontal face detector.

haarcascade_frontalface_alt_tree.xml：

Stump-based 20x20 gentle adaboost frontal face detector. This detector uses tree of stage classifiers instead of a cascade（该检测器使用阶段分类器树而不是级联）

haarcascade_frontalface_alt2.xml：

Tree-based 20x20 gentle adaboost frontal face detector.

haarcascade_frontalface_default.xml：

Stump-based 24x24 discrete(?) adaboost frontal face detector.

对于分类器的选择，可以简单的写一下代码，输入目标类图像，通过更改分类器地址，来简单选择需要的分类器。

import cv2
def face_catch():
    gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    #选择对应的分类器
    face_detect = cv2.CascadeClassifier(r"E:\python\Lib\site-packages\cv2\data\haarcascade_frontalface_alt2.xml")
    #使用分类器
    face = face_detect.detectMultiScale(gray)
    #绘制矩形框来显示检测到的人脸，使用红色，线条粗细2像素
    for x,y,w,h in face:
        cv2.rectangle(img,(x,y),(x+w,y+h),color=(0,0,255),thickness=2)
    cv2.imshow('result',img)
    cv2.waitKey(0)  
    cv2.destroyWindow('result')
img = cv2.imread(r"C:\Users\yuehen\Desktop\face_catch.jpg")
face_catch()

haarcascade_frontalface_alt：

haarcascade_frontalface_alt_tree：

haarcascade_frontalface_alt2：

haarcascade_frontalface_default：

 笔者这里选择最接近实际的haarcascade_frontalface_alt2分类器。

二、分类器参数设定

我们主要使用detectMultiScale函数调用分类器，具体参数如下：

face = face_detect.detectMultiScale(image,object,scaleFactor,minNeighbors,flags,minSize,maxSize)
'''
image：输入的待检测图像。

objects：检测到的目标的矩形框位置和尺寸。

scaleFactor：每次缩放图像的比例尺。

minNeighbors：表示每个候选矩形框应该保留的最少邻居个数，用于过滤掉过多的重叠矩形框。

flags：用于标记特定检测器的附加功能。

minSize：目标最小尺寸。

maxSize：目标最大尺寸。
'''

譬如：

face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
'''
gray:图像对象
scaleFactor=1.1：缩放1.1倍
minNeighbors=5：至少有5次重叠检测，我们才认为人脸确实存在
minSize=(30, 30)：低于30*30的不作为人脸对象
'''

我们可以通过参数的调整来优化筛选效果，但是这些参数调整只会提高某一张特定图片的成像质量，所以我们一般不会通过调整参数来提高成像质量（除非是用于大批量高重叠特性的图片筛选），而是根据后期训练自己的分类器来提高特定需求的成像质量