opencv人脸检测代码的简单分析

用于面部检测的代码主要分为两部分. 一部分是主要功能调用分类器，照相机和功能detect_and_draw，只要可以对其进行修改以检测视频和图片即可. 另一部分是功能detect_and_draw，人脸检测的主要代码在这里.

staticCvScalar颜色[] = {

{{0，0，255}}，{{0，128，255}}，{{0，255，255}}，{{0,255，0}}，

{{255，128，0}}，{{255，255，0}}，{{255，0，0}}，{{255，0，255}}

}这部分代码主要用于制作不同颜色的圆圈，以便可以用作不同人的化身，

IplImage * gray = cvCreateImage（cvSize（img-> width，img-> height），8,1）这部分代码用于设置灰度图像的标准

IplImage * small_img = cvCreateImage（cvSize（cvRound（img->宽度/比例），cvRound（img->高度/比例）），8，1）;这部分代码用于提取每次检查的屏幕尺寸人脸检测 opencv，通常将一张图片分成许多块

cvCvtColor（img，grey，CV_BGR2GRAY）使用此代码将图像转换为灰度图像，因为在灰度图像上检查了分类器，并且检查灰度图像的速度也相对较快

可以选择CvResize来调整大小，然后通过cvEqualizeHist进行直方图均衡，这可以平衡亮度值，因为集成的图像特征基于不同矩形区域的差异，如果直方图不均衡，则这些差异可能是由于测试图像的成像条件所致，或者是曝光过度并偏离了正常值. cvClearMemStorage清除内存

CvSeq * objects = cvHaarDetectObjects

（small_img，

层叠，

存储

1.1，

2

cvSize（30人脸检测 opencv，30））;

这是整个代码功能中最重要的部分，

第一个参数smallimg是输入的灰度图像，

第二个参数cascde是cvLoad（）加载的Haar功能的级联，

第三个参数存储是该算法的工作缓存，由cvCreateMemStorage（0）分配并由cvClearMemStorage发布，

第四个参数1.1，因为cvHaarDetectObjects在不同的窗口中扫描输入图像以查找人脸，因此设置此参数可以确定不同大小的两个窗口之间的跳动幅度，并且设置该参数可以提高检测速度，但是如果设置太大，可能会丢失太靠近的两个面之一.

第五个参数2用于控制错误检测. 由于Haar分类器是监督分类器，因此它使用AdaBoost将其组织为筛选类型的级联分类器. 每个节点由多个树组成. 分类器，每个节点的正常识别率很高，可以达到99％，而且人脸一般不会丢失，但是相对正确的拒绝率却很低，只有50％，并且经常会发现不是人的面孔. ，因此，为了解决此问题，您可以设置第五个参数以对图片进行多次检测，从而减少错误检测，

第六个参数0有4个可以使用的值，分别是0、1、2和3.每个值都有不同的用途，但都告诉分类器如何处理它，

最后一个参数cvSize（30,30）是指定查找人脸的最小区域. 通过设置也可以提高检测速度，但是如果设置太大，将会丢失小的肖像.

实际上，此代码主要限于Haar分类器. 这里使用的人脸分类器只能检测到人脸，因此限制仍然非常大，训练新的分类器并不是一件容易的事，它需要超过10,000张高质量图片，而且我们训练的分类器不一定好OpenCV提供了足够的功能，而且很难找到合适的分类器，因此很难实现侧面检测突破

在尝试提高检测速度时，我还尝试了两种方法. 一种是通过肤色检测来检测图像中的人，然后对人进行面部检测，但是肤色检测的速度有点慢. 根本无法提高检测速度；还有一个背景减法，因为一般的相机固定在一个地方看，所以它的背景不会变成，那么我们只会检测会改变的部分，我还找到了一个方法，即前景检测混合高斯模型. 尽管其检测速度很快，但效果是平均的. 它通常会丢失所需的前景. 最近，还研究了它是否可以做得更好. 可以将其添加到面部检测以改善面部检测. 如果这个问题也解决了，那么下一个问题就是解决侧面的检测问题，从而可以检测到不同角度的脸.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-253836-1.html