演算法優化二——如何提高人臉檢測正確率
零、檢測
接上篇博文繼續探討人臉檢測的相關內容，本文會給出Opencv中自帶的人臉檢測的相關對比以及Opnev檢測中常用的標註等相關操作。人臉檢測是一個非常經典的問題，但是還是有一些常見的問題出現在實際使用當中：
（1）誤檢（把非人臉的物體當作人臉）較多，非人臉影象當作人臉送入後續演算法，會引起一系列不良後果。
（2）漏檢問題，例如戴墨鏡、大鬍子、逆光條件、黑種人、傾斜姿態較大的臉無法檢測到。
一、人臉檢測分類器對比
| 序號 | 級聯分類器的型別 | XML檔名 |
|---|---|---|
| 1 | 人臉檢測器（預設） | haarcascade_frontalface_default.xml |
| 2 | 人臉檢測器（快速的Haar） | haarcascade_frontalface_alt2.xml |
| 3 | 人臉檢測器（快速的LBP） | lbpcascade_frontalface.xml |
| 4 | 人臉檢測器（Tree） | haarcascade_frontalface_alt_tree.xml |
| 5 | 人臉檢測器（Haar_1） | haarcascade_frontalface_alt.xml |
Haar特徵，毫無疑問Haar特徵用在人臉檢測裡具有里程碑式的意義。博主針對正面人臉分類器進行了實驗，總共有4個，alt、alt2、alt_tree、default。對比下來發現alt和alt2的效果比較好，alt_tree耗時較長，default是一個輕量級的，經常出現誤檢測。針對alt和alt2兩者，在同一個視訊的對比中檢測部分alt要略微好於alt2。接下來是一些具體的對比：
（1）檢測時間上對比
| 影象 | Haar_alt | Haar_alt2 | lbp |
|---|---|---|---|
| 複雜背景影象 | 2054 | 2309 | 948 |
| 簡單背景影象 | 912 | 964 | 326 |
（2）檢測結果上對比：
| 影象 | Haar_alt | Haar_alt2 | lbp |
|---|---|---|---|
| 複雜背景影象 | 70 | 70 | 69 |
| 簡單背景影象 | 277 | 283 | 292 |
二、detectMultiScale函式
選擇最終的人臉分類器後，若想在這個基礎上繼續優化，那就試試這個detectMultiScale函式。具體可以檢視Opencv原始碼，下面給出這個函式的講解：
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()
); 函式介紹：
引數1：image–待檢測圖片，一般為灰度影象加快檢測速度；
引數2：objects–被檢測物體的矩形框向量組；
引數3：scaleFactor–表示在前後兩次相繼的掃描中，搜尋視窗的比例係數。預設為1.1即每次搜尋視窗依次擴大10%;
引數4：minNeighbors–表示構成檢測目標的相鄰矩形的最小個數(預設為3個)。 如果組成檢測目標的小矩形的個數和小於 min_neighbors - 1 都會被排除。如果min_neighbors 為 0, 則函式不做任何操作就返回所有的被檢候選矩形框；
引數5：flags–要麼使用預設值，要麼使用CV_HAAR_DO_CANNY_PRUNING，函式將會使用Canny邊緣檢測來排除邊緣過多或過少的區域， 因為這些區域通常不會是人臉所在區域；
引數6、7：minSize和maxSize用來限制得到的目標區域的範圍。如果視訊中誤檢到很多無用的小方框，那麼就把minSize的尺寸改大一些，預設的為30*30。
三、視訊標註
視訊標註中必不可少的就是畫框和文字標註：
//視訊畫框
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);
//文字標註
putText(imgForShow, p.first, Point(BBox.x, BBox.y), FONT_HERSHEY_PLAIN, 2, Scalar(255, 0, 0));