算法优化二——如何提高人脸检测正确率
零、检测
接上篇博文继续探讨人脸检测的相关内容，本文会给出Opencv中自带的人脸检测的相关对比以及Opnev检测中常用的标注等相关操作。人脸检测是一个非常经典的问题，但是还是有一些常见的问题出现在实际使用当中： （1）误检（把非人脸的物体当作人脸）较多，非人脸图像当作人脸送入后续算法，会引起一系列不良后果。 （2）漏检问题，例如戴墨镜、大胡子、逆光条件、黑种人、倾斜姿态较大的脸无法检测到。
一、人脸检测分类器对比
序号 | 级联分类器的类型 | XML文件名 |
|---|---|---|
1 | 人脸检测器（默认） | haarcascade_frontalface_default.xml |
2 | 人脸检测器（快速的Haar） | haarcascade_frontalface_alt2.xml |
3 | 人脸检测器（快速的LBP） | lbpcascade_frontalface.xml |
4 | 人脸检测器（Tree） | haarcascade_frontalface_alt_tree.xml |
5 | 人脸检测器（Haar_1） | haarcascade_frontalface_alt.xml |
Haar特征，毫无疑问Haar特征用在人脸检测里具有里程碑式的意义。博主针对正面人脸分类器进行了实验，总共有4个，alt、alt2、alt_tree、default。对比下来发现alt和alt2的效果比较好，alt_tree耗时较长，default是一个轻量级的，经常出现误检测。针对alt和alt2两者，在同一个视频的对比中检测部分alt要略微好于alt2。接下来是一些具体的对比：
（1）检测时间上对比
图像 | Haar_alt | Haar_alt2 | lbp |
|---|---|---|---|
复杂背景图像 | 2054 | 2309 | 948 |
简单背景图像 | 912 | 964 | 326 |
（2）检测结果上对比：
图像 | Haar_alt | Haar_alt2 | lbp |
|---|---|---|---|
复杂背景图像 | 70 | 70 | 69 |
简单背景图像 | 277 | 283 | 292 |
二、detectMultiScale函数
选择最终的人脸分类器后，若想在这个基础上继续优化，那就试试这个detectMultiScale函数。具体可以查看Opencv源码，下面给出这个函数的讲解：
void detectMultiScale(
const Mat& image,
CV_OUT vector<Rect>& objects,
double scaleFactor = 1.1,
int minNeighbors = 3,
int flags = 0,
Size minSize = Size(),
Size maxSize = Size()
); 函数介绍： 参数1：image–待检测图片，一般为灰度图像加快检测速度； 参数2：objects–被检测物体的矩形框向量组； 参数3：scaleFactor–表示在前后两次相继的扫描中，搜索窗口的比例系数。默认为1.1即每次搜索窗口依次扩大10%; 参数4：minNeighbors–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。如果min_neighbors 为 0, 则函数不做任何操作就返回所有的被检候选矩形框； 参数5：flags–要么使用默认值，要么使用CV_HAAR_DO_CANNY_PRUNING，函数将会使用Canny边缘检测来排除边缘过多或过少的区域， 因为这些区域通常不会是人脸所在区域； 参数6、7：minSize和maxSize用来限制得到的目标区域的范围。如果视频中误检到很多无用的小方框，那么就把minSize的尺寸改大一些，默认的为30*30。
三、视频标注
视频标注中必不可少的就是画框和文字标注：
//视频画框
for (vector<Rect>::const_iterator r = faces.begin(); r != faces.end(); r++)
rectangle(img, cvPoint(r->x, r->y), cvPoint(r->x + r->width - 1, r->y + r->height - 1), Scalar(255, 0, 255), 3, 8, 0);
//文字标注
putText(imgForShow, p.first, Point(BBox.x, BBox.y), FONT_HERSHEY_PLAIN, 2, Scalar(255, 0, 0));