基于C#的机器学习--面部和动态检测-图像过滤器

在本章中，我们将展示两个独立的例子，一个用于人脸检测，另一个用于动态检测，以及如何快速地将这些功能添加到应用程序中。

       在这一章中，我们将讨论:

1. 面部检测
2. 动态检测
3. 将检测添加到应用程序中

面部检测

       人脸检测，是人脸识别的第一部分。如果你不能从屏幕上的所有东西中识别出一个或多个人脸，那么你将永远无法识别那是谁的脸。

       首先让我们看一张我们的应用程序截图:

       上图中，通过摄像头我们已经捕获到一张图像，接下来启用面部跟踪，看看会发生什么:

       物体面部特征正在被追踪。我们在物体周围看到的是面部追踪器(白色线框)，它告诉我们我们这里有一张脸；以及我们的角度探测器(红线)，它提供了一些关于我们脸所处水平方向的参考。

       当我们移动物体时，面部追踪器和角度探测器会追踪他。这一切都很好，但是如果我们在真实的人脸上启用面部跟踪会发生什么呢?

如下图，面部追踪器和角度探测器正在追踪人的面部。

       当我们把头从一边移到另一边时，面部追踪器会跟踪这个动作，可以看到角度探测器会根据它所识别的面部水平角度进行调整。

可以看到，在这里我们的颜色是黑白的，而不是彩色的。因为这是一个直方图的反向投影，而且它是一个可以更改的选项。

 

即使我们远离摄像机，让其他物体也进入视野中，面部追踪器也能在诸多噪音中跟踪我们的脸，如下图所示。这正是我们在电影中看到的面部识别系统的工作原理，尽管它更为先进。

 

现在让我们深入程序内部，看看它到底是如何工作的。

首先，我们需要问自己一个问题，我们想要解决的问题到底是什么。到底是人脸识别还是人脸检测。这里不得不提到Viola-Jones算法，因为，首先它有很高的检出率和很低的误报率，然后它非常擅长对数据的实时处理，最终要的一点是，它非常善于从非人脸中分别出人脸。

要永远记住，人脸检测只是人脸识别的第一步!

这个算法要求输入一个完整的正面，垂直的脸。脸部需要直接指向采集设备，头部尽量不要歪，不要昂头或低头。

这里有必要在强调一次，我们要做的只是在图像中检测出人脸即可。

我们的算法需要经过四个步骤来完成这件事：

1. Haar 特征选择
2. 创建一个完整的图像
3. AdaBoost算法(通过迭代弱分类器而产生最终的强分类器的算法) 训练分类器
4. 级联分类器

在正式开始之前，让我们先捋一捋面部检测到底是如果工作的。所有的脸，无论是人的，动物的还是其他的，都有一些相