机器学习：opencv案例——人脸检测

实验数据

lena.jpg

face3.jpg

video.mp4

实验原理

（1）图片灰度转换

1. OpenCV 中有数百种关于在不同色彩空间之间转换的方法。 当前， 在计算机视觉中有三种常用的色彩空间： 灰度、 BGR、 以及HSV（Hue， Saturation， Value） 。
2. 灰度转换的作用就是： 转换成灰度的图片的计算强度得以降低。
3. 灰度色彩空间是通过去除彩色信息来将其转换成灰阶， 灰度色彩空间对中间处理特别有效， 比如人脸识别。
4. BGR 及蓝、 绿、 红色彩空间， 每一个像素点都由一个三元数组来表示， 分别代表蓝、 绿、 红三种颜色。
5. 网页开发者可能熟悉另一个与之相似的颜色空间： RGB 它们只是颜色顺序上不同。

（2）人脸检测

人脸检测不同于人脸识别。人脸检测，字面意思，即检测到人脸，并不能识别出是谁。

1. Haar 特征是一种用于实现实时人脸跟踪的特征。 每一个 Haar 特征都描述了相邻图像区域的对比模式。 例如， 边、顶点和细线都能生成具有判别性的特征。
2. Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。
3. OpenCV（2.4.11版本）所使用的共计14种Haar特征，包括5种Basic特征、3种Core特征和6种Titled(即45°旋转)特征。Haar特征值反映了图像的灰度变化情况。

实验步骤

1.OpenCV 读取照片
2.OpenCV图片灰度转换
3.图片进行编辑
4.静态人脸检测
5.静态多张人脸检测
6.视频中的人脸检测
会出现检测错误的现象，比如会检测到手等皮肤，误认为是人脸

实验结果