OpenCV图像特征提取与检测C++(七) 级联分类器 HAAR与LBP– 人脸检测（图像和视频）

级联检测器(cascade)：通过弱分类器检测到的人脸再次进行多次弱分类器检测，最终得到的人脸检测结果的准确率就非常高了。
使用级联检测器前，需要有训练好的数据。
对象检测，检测的是什么对象由训练的数据决定

API：

void CascadeClassifier::detectMultiScale( // 在不同尺度空间检测 输入图像中不同大小的对象。 检测到的对象作为矩形列表返回
InputArray image, // 待检测的图像，CV_8U类型
CV_OUT std::vector& objects, // 保存检测到的对象
double scaleFactor = 1.1, // 不同尺度空间之间的差距
int minNeighbors = 3, // 表示构成检测目标的相邻矩形的最小个数(默认为3个)。如果组成检测目标的小矩形的个数和小于 min_neighbors - 1 都会被排除
int flags = 0, // 忽略
Size minSize = Size(), // 最小尺寸，小于这个尺寸的不检测，默认检测所有小尺寸，minNeighbors 设的很大，这个就设小点，minNeighbors 设的很小，这个就设大点
Size maxSize = Size() // 最大尺寸，大于这个尺寸的不检测，默认检测所有大尺寸
);

代码：（图片）

#include 
#include 
#include
#include
#include
#include  
#include 

using namespace cv::face;
using namespace cv;
using namespace std;
using namespace cv::xfeatures2d;
int main() {

    CascadeClassifier face_cascade; // 级联分类检测器
    face_cascade.load("D:/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml"); // 加载训练的数据


    Mat src, gray;
    src = imread("C:/Users/Administrator/Desktop/pic/HOG1.jpg");
    cvtColor(src, gray, COLOR_BGR2GRAY);
    equalizeHist(gray, gray);//直方图均值化，提升对比度，提升图像特征提取的准确率
    imshow("src", src);
    vector faces;//保存检测到的人脸的矩形框
    face_cascade.detectMultiScale(gray, faces, 1.1, 3, 0, Size(20, 20));
    cout << ", faces.size=" << faces.size() << endl;
    for ( size_t t= 0; t < faces.size(); t++) {
        rectangle(src, faces[t], Scalar(0, 0, 255), 2);
    }

    imshow("faces", src);
    waitKey(0);
}

结果：

级联分类器原理
Haar 特征与LBP特征
级联分类器原理，不光是人脸检测，只要是有明显特征的对象，都能通过此方式训练，检测
Viola和Jones – 2001在CVPR提出一种实时对象(人脸)检测框架算法，训练速度非常慢，检测速度非常快，5000个正向人脸样本与300万个非人脸负样本数据精准度非常高。
OpenCV中级联分类器使用- CascadeClassifier
AdaBoost(自适应分类器)
弱分类器 – weak classifier = Feature
强分类器 – 多个弱分类器的线性组合
级联分类器 – 多个强分类器组合

代码：（视频）

#include 
#include 
#include
#include
#include
#include  
#include 

using namespace cv::face;
using namespace cv;
using namespace std;
using namespace cv::xfeatures2d;

int main() {
    CascadeClassifier face_cas, eye_cas;
    face_cas.load("D:/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml");
    eye_cas.load("D:/opencv/build/etc/haarcascades/haarcascade_eye.xml");
      // 除了从相机中读取帧数据，还能读取本地视频文件
    VideoCapture capture;
    capture.open("C:/Users/Administrator/Desktop/pic/4.avi");
    Mat frame; // 每一帧图像
    Mat gray;
    vector faces; // 保存检测到的人脸
    vector eyes; // 保存检测到的人眼
    while (capture.read(frame)) // 从相机中读取每一帧数据
    {
        cvtColor(frame, gray, COLOR_BGR2GRAY);
        equalizeHist(gray, gray);
        face_cas.detectMultiScale(frame, faces, 1.1, 3, 0, Size(30, 30));
        for (size_t t = 0; t < faces.size(); t++) {
            Rect re;
            re.x = faces[static_cast<int>(t)].x;
            re.y = faces[static_cast<int>(t)].y;
            re.width = faces[static_cast<int>(t)].width;
            re.height = faces[static_cast<int>(t)].height / 2;//眼睛在上半脸
            Mat faceRe = frame(re);
            eye_cas.detectMultiScale(faceRe, eyes, 1.1, 3, 0, Size(10, 10));
            for (size_t k = 0; k < eyes.size(); k++) {
                Rect rect;//由于是在人脸框内检测人眼，所以需要在整帧数据上重新定位人眼框的位置
                rect.x = faces[static_cast<int>(t)].x+eyes[k].x;
                rect.y = faces[static_cast<int>(t)].y + eyes[k].y;
                rect.width = eyes[k].width;
                rect.height = eyes[k].height;
                rectangle(frame, rect, Scalar(0, 255, 0));
            }
            rectangle(frame, faces[static_cast<int>(t)], Scalar(0, 0, 255), 2);
        }
        imshow("faces", frame);
    }
    waitKey(0);
}

结果：

HAAR与LBP级联分类器是使用
HAAR与LBP的区别：

• HAAR特征是浮点计算，LBP是整数计算
• LBP训练样本比HAAR要大
• 同样的样本空间，HAAR比LBP准确
• LBP比HAAR速度要快

LBP比HAAR速度对比
代码：

#include 
#include 
#include
#include
#include
#include  
#include 

using namespace cv::face;
using namespace cv;
using namespace std;
using namespace cv::xfeatures2d;

int main() {
    CascadeClassifier haar_cas, lbp_cas;
    haar_cas.load("D:/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml");
    lbp_cas.load("D:/opencv/build/etc/lbpcascades/lbpcascade_frontalface.xml");
    Mat haarsrc = imread("C:/Users/Administrator/Desktop/pic/5.jpg");
    Mat haargray;
    cvtColor(haarsrc, haargray, COLOR_BGR2GRAY);
    equalizeHist(haargray, haargray);
    vectorfaces1;
    double t1 = getTickCount();
    haar_cas.detectMultiScale(haargray, faces1, 1.1, 3, 0, Size(30, 30));
    double t2 = (getTickCount() - t1) / getTickFrequency();
    cout << "haar time=" << t2 << endl;
    for (size_t t = 0; t < faces1.size(); t++) {
        rectangle(haarsrc, faces1[t], Scalar(0, 0, 255), 2);
    }
    imshow("haarface", haarsrc);

    Mat lbpsrc = imread("C:/Users/Administrator/Desktop/pic/5.jpg");
    Mat lbpgray;
    cvtColor(lbpsrc, lbpgray, COLOR_BGR2GRAY);
    equalizeHist(lbpgray, lbpgray);
    vectorfaces2;
    t1 = getTickCount();
    lbp_cas.detectMultiScale(lbpgray, faces2, 1.1, 3, 0, Size(30, 30));
    t2 = (getTickCount() - t1) / getTickFrequency();
    cout << "lbp time=" << t2 << endl;
    for (size_t t = 0; t < faces2.size(); t++) {
        rectangle(lbpsrc, faces2[t], Scalar(0, 0, 255), 2);
    }
    imshow("lbpface", lbpsrc);
    waitKey(0);
}

结果：

读取视频中人脸

#include 
#include 
#include
#include
#include
#include  
#include 

using namespace cv::face;
using namespace cv;
using namespace std;
using namespace cv::xfeatures2d;

int main() {
    CascadeClassifier haar_cas, lbp_cas;
    haar_cas.load("D:/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml");
    lbp_cas.load("D:/opencv/build/etc/lbpcascades/lbpcascade_frontalface.xml");
    VideoCapture capture;//如果是摄像头则 VideoCapture capture（0）;
    capture.open("C:/Users/Administrator/Desktop/pic/4.mp4");
    Mat frame;
    Mat haargray;
    while (capture.read(frame))
    {
    cvtColor(frame, haargray, COLOR_BGR2GRAY);
    equalizeHist(haargray, haargray);
    vectorfaces1;
    lbp_cas.detectMultiScale(haargray, faces1, 1.1, 3, 0, Size(30, 30));
    for (size_t t = 0; t < faces1.size(); t++) {
        rectangle(frame, faces1[t], Scalar(0, 0, 255), 2);
    }
    imshow("haarface", frame);
    cout << "hh";
    }
    waitKey(0);
}