一：前言

本次人脸识别技术使用到的是级联分类器

对于级联分类器，如果想要自己训练模型可以参考这篇文章

【OpenCV】级联分类器训练模型

【友情提示：训练对电脑的配置要求比较高，另外还需要有足够庞大的样本数据，因此，如果是研究生在导师实验室用着3090的，可以自己训练，但也要投入足够的时间进行数据采集。不过，这边为了方便大家学习，博主会在资源中分享人脸识别训练模型车辆识别训练模型，在读完这篇文章后，感兴趣的，想要学习的，欢迎自取】

二：人脸识别案例实现步骤及完整代码

步骤1 灰度化处理

    //灰度化处理 节省内存Mat gray;cvtColor(frame,gray,CV_RGB2GRAY);

步骤2 将灰度图再次进行行列压缩

    //级联分类器比帧差法还更慢,因此，需要再将灰度图大小压缩一半左右 行列压缩Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);//按存储大小计算  压缩方式采用线性压缩resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);

步骤3 直方图均值化

    //直方图均值化 让灰度图经过直方图函数处理 黑白分明equalizeHist(smalling,smalling);//imshow("smalling",smalling);

步骤4 使用模型对每一个像素点遍历图像甄别

    //调用级联分类器进行模型匹配并进行框选识别 使用模型去进行每一个像素点的遍历vector<Rect>faces;//使用CV_HAAR_SCALE_IMAGE算法 图像甄别cascade.detectMultiScale(smalling,faces,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));//绘制矩形vector<Rect>::const_iterator iter;//使用到容器迭代器进行遍历for(iter=faces.begin();iter!=faces.end();iter++){rectangle(frame,cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),//左上cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),//右下Scalar(0,255,0),2,8//颜色 像素位);}imshow("frame",frame);

人脸识别案例源码分享

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;//人脸识别
void datectFace(Mat &frame,CascadeClassifier cascade,double scale)
{//灰度化处理 节省内存Mat gray;cvtColor(frame,gray,CV_RGB2GRAY);//级联分类器比帧差法还更慢,因此，需要再将灰度图大小压缩一半左右 行列压缩Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);//按存储大小计算  压缩方式采用线性压缩resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);//直方图均值化 让灰度图经过直方图函数处理 黑白分明equalizeHist(smalling,smalling);//imshow("smalling",smalling);//调用级联分类器进行模型匹配并进行框选识别 使用模型去进行每一个像素点的遍历vector<Rect>faces;//使用CV_HAAR_SCALE_IMAGE算法 图像甄别cascade.detectMultiScale(smalling,faces,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));//绘制矩形vector<Rect>::const_iterator iter;//使用到容器迭代器进行遍历for(iter=faces.begin();iter!=faces.end();iter++){rectangle(frame,cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),//左上cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),//右下Scalar(0,255,0),2,8//颜色 像素位);}imshow("frame",frame);
}int main(int argc, char *argv[])
{//级联分类器对象CascadeClassifier cascade;//读取级联分类器cascade.load("D:/00000cars-face/face.xml");Mat frame;//视频路径的获取VideoCapture cap(0);while (cap.read(frame)){//将读到的帧进行显示imshow("frame",frame);//检测识别 图像 级联分类器 比例datectFace(frame,cascade,2);waitKey(3);}return 0;
}

结果测试：可对人脸框选识别

三：车辆识别案例级联分类器具体实现

如果对于上述的人脸识别案例理解透彻那么车辆识别也是一样的实现方法只不过就是换了一个级联分类器图像数据读取罢了。

这边就直接给出车辆识别案例完整代码

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;//车辆识别案例
void datectCarDaw(Mat &frame,CascadeClassifier cascade,double scale)
{//灰度化处理 节省内存Mat gray;cvtColor(frame,gray,CV_RGB2GRAY);//级联分类器比帧差法还更慢,因此，需要再将灰度图大小压缩一半左右 行列压缩Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);//按存储大小计算  压缩方式采用线性压缩resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);//直方图均值化 让灰度图经过直方图函数处理 黑白分明equalizeHist(smalling,smalling);//imshow("smalling",smalling);//调用级联分类器进行模型匹配并进行框选识别 使用模型去进行每一个像素点的遍历vector<Rect>cars;//使用CV_HAAR_SCALE_IMAGE算法 图像甄别cascade.detectMultiScale(smalling,cars,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));//绘制矩形vector<Rect>::const_iterator iter;//使用到容器迭代器进行遍历for(iter=cars.begin();iter!=cars.end();iter++){rectangle(frame,cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),//左上cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),//右下Scalar(0,255,0),2,8//颜色 像素位);}imshow("frame",frame);
}int main(int argc, char *argv[])
{//级联分类器对象CascadeClassifier cascade;//读取级联分类器cascade.load("D:/00000cars-face/cars.xml");Mat frame;//视频路径的获取VideoCapture cap("D:/00000000000003jieduanshipincailliao/carMove.mp4");while (cap.read(frame)){//将读到的帧进行显示imshow("frame",frame);//检测识别 图像 级联分类器 比例datectCarDaw(frame,cascade,2);waitKey(3);}return 0;
}