概述

级联分类器CascadeClassifier
OpenCV官方文档：https://docs.opencv.org/3.4.3/d5/d54/group__objdetect.html
分类器：
判别某个事物是否属于某种分类的器件，两种结果：是、否。
级联分类器：
可以理解为将N个单类的分类器串联起来。如果一个事物能属于这一系列串联起来的的所有分类器，则最终结果就是是，若有一项不符，则判定为否。
比如人脸，它有很多属性，我们将每个属性做一成个分类器，如果一个模型符合了我们定义的人脸的所有属性，则我们人为这个模型就是一个人脸。那么这些属性是指什么呢？比如人脸需要有两条眉毛，两只眼睛，一个鼻子，一张嘴，一个大概U形状的下巴或者是轮廓等等。
CascadeClassifier为OpenCV下用来做目标检测的级联分类器的一个类。该类中封装的目标检测机制，简而言之是滑动窗口机制+级联分类器的方式。
级联分类器检测类CascadeClassifier，在2.4.5版本中使用Adaboost的方法+LBP、HOG、HAAR进行目标检测，加载的是使用traincascade进行训练的分类器。

class CV_EXPORTS_W CascadeClassifier
{
public:
    CV_WRAP CascadeClassifier();
    CV_WRAP CascadeClassifier(const String& filename);        //从文件中加载级联分类器
    ~CascadeClassifier();
    CV_WRAP bool empty() const;                               //检测级联分类器是否被加载
    CV_WRAP bool load( const String& filename );              //从文件中加载级联分类器
    CV_WRAP bool read( const FileNode& node );               //从FileStorage节点读取分类器
    /** 检测输入图像中不同大小的对象。检测到的对象以矩形列表的形式返回。
    参数：
    image: 包含检测对象的图像的CV_8U类型矩阵
    objects: 矩形的向量，其中每个矩形包含被检测的对象，矩形可以部分位于原始图像之外
    scaleFactor: 指定在每个图像缩放时的缩放比例
    minNeighbors：指定每个候选矩形需要保留多少个相邻矩形
    flags：含义与函数cvHaarDetectObjects中的旧级联相同。它不用于新的级联。
    minSize：对象最小大小，小于该值的对象被忽略。
    maxSize：最大可能的对象大小，大于这个值的对象被忽略。
    */
    CV_WRAP void detectMultiScale( InputArray image,
                          CV_OUT std::vector<Rect>& objects,
                          double scaleFactor = 1.1,
                          int minNeighbors = 3, int flags = 0,
                          Size minSize = Size(),
                          Size maxSize = Size() );
    /** 
    detectMultiScale重载函数
    参数：
    image：包含检测对象的图像的CV_8U类型矩阵
    objects: 矩形的向量，其中每个矩形包含被检测的对象，矩形可以部分位于原始图像之外
    numDetections: 对应对象的检测编号向量。一个物体被探测到的次数是相邻的被积极分类的矩形的数量，这些矩形被连接在一起形成物体
    scaleFactor: 指定在每个图像缩放时的缩放比例
    minNeighbors：指定每个候选矩形需要保留多少个相邻矩形
    flags：含义与函数cvHaarDetectObjects中的旧级联相同。它不用于新的级联
    minSize：对象最小大小，小于该值的对象被忽略。
    maxSize：最大可能的对象大小，大于这个值的对象被忽略 
    */
    CV_WRAP_AS(detectMultiScale2) void detectMultiScale( InputArray image,
                          CV_OUT std::vector<Rect>& objects,
                          CV_OUT std::vector<int>& numDetections,
                          double scaleFactor=1.1,
                          int minNeighbors=3, int flags=0,
                          Size minSize=Size(),
                          Size maxSize=Size() );
    /*
    detectMultiScale重载函数，此函数允许您检索分类的最终阶段决策确定性
为此，需要将' outputRejectLevels '设置为true，并提供' rejectLevels '和' levelWeights '参数。
对于每一个结果检测，‘levelWeights’将在最后阶段包含分类的确定性。这个值可以用来区分强分类和弱分类。    */
    CV_WRAP_AS(detectMultiScale3) void detectMultiScale( InputArray image,
                                  CV_OUT std::vector<Rect>& objects,
                                  CV_OUT std::vector<int>& rejectLevels,
                                  CV_OUT std::vector<double>& levelWeights,
                                  double scaleFactor = 1.1,
                                  int minNeighbors = 3, int flags = 0,
                                  Size minSize = Size(),
                                  Size maxSize = Size(),
                                  bool outputRejectLevels = false );
 具体使用示例代码
    Mat img;
    vector<double> weights;
    vector<int> levels;
    vector<Rect> detections;
    CascadeClassifier model("/path/to/your/model.xml");
    model.detectMultiScale(img, detections, levels, weights, 1.1, 3, 0, Size(), Size(), true);
    cerr << "Detection " << detections[0] << " with weight " << weights[0] << endl;
};

步骤

调用opencv训练好的分类器和自带的检测函数检测人脸人眼等的步骤简单直接：

加载分类器

分类器就是一个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、侧脸、微笑、上半身、下半身、全身等等。分类器本来的位置是在*\opencv\sources\data（harr分类器，也有其他的可以用；也可以自己训练，traincascade的独立应用程序可以从一组样本中训练一系列增强分类器，位置在“\opencv\sources\apps”）

在右上图中，文件夹的名字“haarcascades”、“haarcascades_cuda”、“hogcascades”和“lbpcascades”分别表示通过“haar”、 “harr”、“hog”和“lbp”三种不同的特征而训练出的分类器：即各文件夹里的文件。
“haar”特征主要用于人脸检测，
“hog”特征主要用于行人检测，
“lbp”特征主要用于人脸识别。
打开“haarcascades_cuda”文件夹。

图中的XML文件即是我们人脸检测所需要的分类器文件。在实际使用中，推荐使用上图中被标记的“haarcascade_frontalface_alt2.xml”分类器文件，准确率和速度都比较好。

/***************************************************************
    FunctionName:    FaceDetection
    Purpose:        人脸检测，在图像上框出矩形/圆形人脸
    Parameter:        img 待检测图像
                    cascade 级联器
    Return:            无
****************************************************************/
void FaceDetection(Mat& img, CascadeClassifier cascade)
{
    Mat gray;
    cvtColor(img, gray, COLOR_BGR2GRAY);
    vector<Rect> rect;
    cascade.detectMultiScale(gray, rect, 1.1, 2, 0|CV_HAL_CMP_GE, Size(100, 100), Size(500, 500));
    //cout << "检测到的人脸个数" << rect.size() << endl;
    for (int i = 0; i < rect.size(); i++)
    {
        //Point  center;
        //int radius;
        //center.x = cvRound((rect[i].x + rect[i].width * 0.5));
        //center.y = cvRound((rect[i].y + rect[i].height * 0.5));
        //radius = cvRound((rect[i].width + rect[i].height) * 0.25);
        //circle(img, center, radius, Scalar(255, 255, 255), 2);
        rectangle(img, rect[i], Scalar(255, 255, 255), 2);
    }
}
// OpenCV includes
#include<opencv2\opencv.hpp>
#include<iostream>
#include<vector>
#include <string>
using namespace cv;
using namespace std;
int main(int argc, char* argv[])
{
    Mat camera;
    CascadeClassifier cascade;
    string faceCascadeName = "D:/OpenCV/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml";
    cascade.load(faceCascadeName);
    VideoCapture cap(0);
    if (!cap.isOpened())
    {
        cout << "No video!" << endl;
        return -1;
    }
    while (true)
    {
        cap >> camera;
        FaceDetection(camera, cascade);
        imshow("camera", camera);
        if (waitKey(10) == 27)
        {
            break;
        }
    }
    cap.release();
    destroyAllWindows();
    return 0;
}

在检测时，先导入训练好的参数文件，其中haarcascade_frontalface_alt2.xml对正面脸的识别效果较好，haarcascade_profileface.xml对侧脸的检测效果较好。当然，如果要达到更高的分类精度，可以收集更多的数据进行训练。

自己训练分类器

在opencv的安装目录中的bin文件夹下有两个可执行文件opencv_createsamples.exe和opencv_traincascade.exe。traincascade快速使用详解：https://blog.csdn.net/guduruyu/article/details/70183372

如果对分类器的参数不满意，或者说想识别其他的物体例如车、人、飞机、苹果等等等等，只需要选择适当的样本训练，获取该物体的各个方面的参数，完整的细节在：https://docs.opencv.org/2.4/doc/user_guide/ug_traincascade.html

训练过程可以通过openCV的haartraining实现（参考haartraining参考文档opencv/apps/traincascade ），主要包括个步骤：
1. 收集打算学习的物体数据集（如正面人脸图，侧面汽车图等， 1000~10000个正样本为宜），把它们存储在一个或多个目录下面。
2. 使用createsamples来建立正样本的向量输出文件，通过这个文件可以重复训练过程，使用同一个向量输出文件尝试各种参数。
3. 获取负样本，即不包含该物体的图像。
4. 训练。

附：人脸识别+人眼识别代码


string harr_xmlPath = "D:\\OpenCV\\opencv\\build\\etc\\haarcascades\\haarcascade_frontalface_default.xml";
string lbp_xmlPath = "D:\\OpenCV\\opencv\\sources\\data\\haarcascades_cuda\\haarcascade_eye.xml";
CascadeClassifier face_cascade;
CascadeClassifier eyes_cascade;
void detectAndDisplay(Mat &dispFace);
/*--------------main-----------------*/
int main()
{
    system("color F0");
    VideoCapture cam(0);
    if (!face_cascade.load(harr_xmlPath))//也可用Haar分类器
    {
        printf("人脸检测器加载失败\n");
        return -1;
    }
    if (!eyes_cascade.load(lbp_xmlPath))
    {
        printf("人眼检测器加载失败\n");
        return -1;
    };
    while (true)
    {
        Mat frame;
        cam >> frame;
        detectAndDisplay(frame);
        imshow("camera", frame);
        if (waitKey(10) == 27)
        {
            break;
        }
    }
    waitKey(0);
    return 0;
}
/*-------------函数实现----------------*/
void detectAndDisplay(Mat &dispFace)
{
    //定义变量
    std::vector<Rect> faces;
    std::vector<Rect>eyes;
    Mat srcFace, grayFace, eqlHistFace;
    cvtColor(dispFace, grayFace, COLOR_BGR2GRAY);
    equalizeHist(grayFace, eqlHistFace);   //直方图均衡化  
    //人脸检测
    face_cascade.detectMultiScale(eqlHistFace, faces, 1.1, 3, 0 | CV_HAL_CMP_GE, Size(100, 100));
    //增大第四个参数可以提高检测精度,但也可能会造成遗漏
    //人脸尺寸minSize和maxSize，关键参数，自行设定，随图片尺寸有很大关系，
    for (unsigned int i = 0; i < faces.size(); i++)
    {
        //用蓝色椭圆标记检测到的人脸
        Point center(faces[i].x + faces[i].width / 2, faces[i].y + faces[i].height / 2);
        ellipse(dispFace, center, Size(faces[i].width / 2, faces[i].height * 65 / 100), 0, 0, 360, Scalar(255, 0, 0), 2, 8, 0);
        //人眼检测,提取的子矩阵指定为矩形
        Mat faceROI = eqlHistFace(faces[i]);
        eyes_cascade.detectMultiScale(faceROI, eyes, 1.2, 3, 0 | CV_HAL_CMP_GE, Size(15, 15), Size(80, 80));
         //用绿色圆标记检测到的人眼
        for (unsigned int j = 0; j < eyes.size(); j++)
        {
            Point center(faces[i].x + eyes[j].x + eyes[j].width / 2, faces[i].y + eyes[j].y + eyes[j].height / 2);
            circle(dispFace, center, 2, Scalar(0, 255, 0), 2);
        }
    }
}

计算机视觉

CascadeClassifier Haar特征进行人脸检测

概述

步骤

加载分类器

自己训练分类器