OpenCV4学习笔记（38）——级联检测器

今天要整理记录的笔记是OpenCV中级联检测器的使用。

在OpenCV中提供了一些级联检测器来进行目标检测，例如人脸检测、微笑检测、眼睛检测等等，在我们从官网直接下载的或者自己编译的OpenCV包中已经包含了一些训练好的模型文件，其路径是opencv\build\etc\。其中包含了haarcascades和lbpcascades这两个文件夹，其中分别对应haar级联检测器和LBP（局部二值模式Local Binary Pattern)级联检测器。

级联检测器是由多个分类器分级构成的，每一个分类器来负责判断某个特征feature是否存在，再将多个分类器进行分级联接。当对某个区域进行检测时，如果某一级分类器其负责的特征的检测结果是存在，则会将该区域进入下一级分类器的特征检测过程，逐级检测最终输出结果。如果某一级分类器负责的特征的检测结果是不存在，就直接判定该区域不是待检测目标。

在OpenCV中主要分为haar级联检测器和LBP（局部二值模式Local Binary Pattern)级联检测器。

haar级联检测器是基于Haar特征的一种检测器。Haar特征分为四类：边缘特征、线性特征、中心特征和对角线特征，针对不同目标依靠不同类型的特征组合成特征模板来表示这个目标，反映的是图像的对比度和梯度变化。每一级分类器对每个区域的特征利用特征模板进行检测，再用多级分类器组成特定目标的级联检测器，只有当某个区域满足级联检测器每一级的特征时才认定为检测目标。Haar级联检测器以浮点型数据进行计算，虽然检测速度相对比较慢，但是更精准一些。

LBP（局部二值模式Local Binary Pattern)级联检测器是基于LBP特征的检测器。遍历区域中的每一个像素的邻域，把该邻域中比中心像素值大的像素点置为1，比中心像素值小的像素点置为0，然后和位编码矩阵（顺时针按0、1、2、3、4、5、6、7、8排序的3x3矩阵）进行按位相乘操作，再对最后得到的矩阵进行求和操作，得到一个LBP特征值。LBP特征具有整体光照不变性，但是局部光照变化剧烈会造成较大影响、旋转不变性（需要经过傅里叶变换到频域空间），主要用来实现2D图像纹理分析、对象识别与检测等应用。LBP级联检测器以整型数据进行计算，其检测速度比较快。

在OpenCV中，我们需要先创建一个CascadeClassifier类的对象，作为我们的级联检测器detector。然后通过detector.load（path）的方式来加载所需的级联检测器。

在通过detector.detectMultiScale()对图像进行目标检测，其参数含义如下：
第一个参数image： CV_8U类型的检测图像；
第二个参数objects：矩形向量，其中每个矩形都包含检测到的对象，这些矩形可能部分位于原始图像的外部；
第三个参数scaleFector：表示图像缩放时尺寸减小的比例，scaleFector=（缩放前尺寸：缩放后尺寸），为double类型；当该参数小于1时会报错，默认值为1.1；该参数越大，尺寸减小得更多，检测速度更快，但可能会忽略掉一些目标；
第四个参数minNeighBors：指定每个候选矩形必须存在多少邻近候选矩形；只有当邻近候选矩形大于该参数时，该候选矩形才认定为目标，相当于一个检测阈值；
第五个参数flag：在OpenCV4中已经不需要该参数，直接置零就可以；<