第4章 人脸检测基础

Haar Cascade分类器原理 · OpenCV内置模型使用 · 检测参数调优

4.1 Haar Cascade 分类器原理

Haar Cascade 是一种基于机器学习的对象检测方法，由 Paul Viola 和 Michael Jones 在 2001 年提出。它通过大量正负样本训练级联分类器，利用 Haar-like 特征快速计算并筛选人脸区域。

• Haar-like 特征：矩形区域像素和之差，可描述边缘、线条、中心特征。
• 积分图：快速计算任意矩形区域像素和，使特征计算达到常数时间。
• AdaBoost 训练：从大量弱分类器中筛选出关键特征，构建强分类器。
• 级联结构：早期阶段快速排除非人脸区域，减少计算量。

4.2 OpenCV 内置人脸检测模型使用

OpenCV 提供预训练的 Haar Cascade 模型文件（XML），可直接加载使用。常用模型包括正面人脸、眼睛、微笑等检测器。

基本使用流程：加载模型 → 读取图像（灰度） → 调用 detectMultiScale 检测 → 绘制矩形框。

import cv2

# 加载 Haar Cascade 模型
face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)

# 读取图像并转为灰度
img = cv2.imread('photo.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测人脸
faces = face_cascade.detectMultiScale(
    gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30)
)

# 绘制矩形
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

cv2.imshow('Face Detection', img)
cv2.waitKey(0)

4.3 检测参数调优

detectMultiScale 提供多个关键参数，直接影响检测精度与速度。合理调优可平衡漏检与误检。

调优建议：

• 若漏检过多：降低 scaleFactor（如 1.05），降低 minNeighbors（如 2~3）。
• 若误检过多：提高 minNeighbors（如 5~8），适当提高 scaleFactor。
• 实时场景：使用 minSize=(80,80) 以上，scaleFactor=1.2 左右。