理解级联分类器

分类器： 判别某个事物是否属于某种分类的器件，两种结果：是、否
级联分类器： 可以理解为将N个单类的分类器串联起来。如果一个事物能属于这一系列串联起来的的所有分类器，则最终结果就是 是，若有一项不符，则判定为否

比如人脸，它有很多属性，我们将每个属性做一成个分类器，如果一个模型符合了我们定义的人脸的所有属性，则我们人为这个模型就是一个人脸。那么这些属性是指什么呢？ 比如人脸需要有两条眉毛，两只眼睛，一个鼻子，一张嘴，一个大概U形状的下巴或者是轮廓等等

定义

定义以及函数解释都在源码中注明了

class CV_EXPORTS_W CascadeClassifier
{
public:
    CV_WRAP CascadeClassifier();
     //从文件中加载级联分类器
    CV_WRAP CascadeClassifier(const String& filename);
    ~CascadeClassifier();
    //检测级联分类器是否被加载
    CV_WRAP bool empty() const;
    //从文件中加载级联分类器
    CV_WRAP bool load( const String& filename );
    //从FileStorage节点读取分类器
    CV_WRAP bool read( const FileNode& node );

    /** 检测输入图像中不同大小的对象。检测到的对象以矩形列表的形式返回。
    参数：
    image: 包含检测对象的图像的CV_8U类型矩阵
    objects: 矩形的向量，其中每个矩形包含被检测的对象，矩形可以部分位于原始图像之外
    scaleFactor: 指定在每个图像缩放时的缩放比例
    minNeighbors：指定每个候选矩形需要保留多少个相邻矩形
    flags：含义与函数cvHaarDetectObjects中的旧级联相同。它不用于新的级联
    minSize：对象最小大小，小于该值的对象被忽略。
    maxSize：最大可能的对象大小，大于这个值的对象被忽略

    该函数与TBB库并行
    */
    CV_WRAP void detectMultiScale( InputArray image,
                          CV_OUT std::vector<Rect>& objects,
                          double scaleFactor = 1.1,
                          int minNeighbors = 3, int flags = 0,
                          Size minSize = Size(),
                          Size maxSize = Size() );

    /** 
    detectMultiScale重载函数
    参数：
    image：包含检测对象的图像的CV_8U类型矩阵
    objects: 矩形的向量，其中每个矩形包含被检测的对象，矩形可以部分位于原始图像之外
    numDetections: 对应对象的检测编号向量。一个物体被探测到的次数是相邻的被积极分类的矩形的数量，这些矩形被连接在一起形成物体
    scaleFactor: 指定在每个图像缩放时的缩放比例
    minNeighbors：指定每个候选矩形需要保留多少个相邻矩形
    flags：含义与函数cvHaarDetectObjects中的旧级联相同。它不用于新的级联
    minSize：对象最小大小，小于该值的对象被忽略。
    maxSize：最大可能的对象大小，大于这个值的对象被忽略 
    */
    CV_WRAP_AS(detectMultiScale2) void detectMultiScale( InputArray image,
                          CV_OUT std::vector<Rect>& objects,
                          CV_OUT std::vector<int>& numDetections,
                          double scaleFactor=1.1,
                          int minNeighbors=3, int flags=0,
                          Size minSize=Size(),
                          Size maxSize=Size() );

    /**
    detectMultiScale重载函数，此函数允许您检索分类的最终阶段决策确定性
    为此，需要将' outputRejectLevels '设置为true，并提供' rejectLevels '和' levelWeights '参数。
对于每一个结果检测，‘levelWeights’将在最后阶段包含分类的确定性。

这个值可以用来区分强分类和弱分类。

    具体使用示例代码
    Mat img;
    vector<double> weights;
    vector<int> levels;
    vector<Rect> detections;
    CascadeClassifier model("/path/to/your/model.xml");
    model.detectMultiScale(img, detections, levels, weights, 1.1, 3, 0, Size(), Size(), true);
    cerr << "Detection " << detections[0] << " with weight " << weights[0] << endl;
    */
    CV_WRAP_AS(detectMultiScale3) void detectMultiScale( InputArray image,
                                  CV_OUT std::vector<Rect>& objects,
                                  CV_OUT std::vector<int>& rejectLevels,
                                  CV_OUT std::vector<double>& levelWeights,
                                  double scaleFactor = 1.1,
                                  int minNeighbors = 3, int flags = 0,
                                  Size minSize = Size(),
                                  Size maxSize = Size(),
                                  bool outputRejectLevels = false );

    CV_WRAP bool isOldFormatCascade() const;
    CV_WRAP Size getOriginalWindowSize() const;
    CV_WRAP int getFeatureType() const;
    void* getOldCascade();

    CV_WRAP static bool convert(const String& oldcascade, const String& newcascade);

    void setMaskGenerator(const Ptr<BaseCascadeClassifier::MaskGenerator>& maskGenerator);
    Ptr<BaseCascadeClassifier::MaskGenerator> getMaskGenerator();

    Ptr<BaseCascadeClassifier> cc;
};

在opencv_source_code/samples/python/facedetect.py中可以找到一个使用级联分类器的人脸检测示例

例子

以下代码是opencv的一个简单的基于Haar特征的一个人脸级联分类器检测人脸的极简例子

#include <opencv2/opencv.hpp>

#define CV_COLOR_RED cv::Scalar(0, 0, 255)

int main(int argc, char** argv)
{
    cv::CascadeClassifier faceDetector("haarcascade_frontalface_alt2.xml");
    cv::Mat image = cv::imread("Your image path.");

    std::vector<cv::Rect> objects;
    faceDetector.detectMultiScale(image, objects);

    for (int i = 0; i < objects.size(); i++)
    {
        cv::rectangle(image, objects[i], CV_COLOR_RED);
    }
    cv::imshow("result", image);
    cv::waitKey(0);

    return 0;
}

效果：