OpenCV支持的目標檢測的方法是利用樣本的Haar特徵進行的分類器訓練，得到的級聯boosted分類器（Cascade Classification）。注意，新版本的C++接口除了Haar特徵以外也可以使用LBP特徵。
先介紹一下相關的結構，級聯分類器的計算特徵值的基礎類FeatureEvaluator，功能包括讀操作read、複製clone、獲得特徵類型getFeatureType，分配圖片分配窗口的操作setImage、setWindow，計算有序特徵calcOrd，計算絕對特徵calcCat，創建分類器特徵的結構create函數。級聯分類器類CascadeClassifier。目標級聯矩形的分組函數groupRectangles。
接下來，我嘗試使用CascadeClassifier這個級聯分類器類檢測視頻流中的目標（haar支持的目標有人臉、人眼、嘴、鼻、身體。這裏嘗試比較成熟的人臉和眼鏡）。用load函數加載XML分類器文件（目前提供的分類器包括Haar分類器和LBP分類器（LBP分類器數據較少））具體步驟如下：
這裏再補充一點：後來我又進行了一些實驗，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。所以還是推薦大家使用haarcascade_frontalface_atl.xml和haarcascade_frontalface_atl2.xml。
1）加載級聯分類器
調用CascadeClassifier類成員函數load實現，代碼爲：
- CascadeClassifier face_cascade;
- face_cascade.load("haarcascade_frontalface_alt.xml");
CascadeClassifier face_cascade;
face_cascade.load("haarcascade_frontalface_alt.xml");2）讀取視頻流
這部分比較基礎啦~~從文件中讀取圖像序列，讀取視頻文件，讀取攝像頭視頻流看過我之前的文章，這3種方法應該瞭然於心。
3）對每一幀使用該分類器
這裏先將圖像變成灰度圖，對它應用直方圖均衡化，做一些預處理的工作。接下來檢測人臉，調用detectMultiScale函數，該函數在輸入圖像的不同尺度中檢測物體，參數image爲輸入的灰度圖像，objects爲得到被檢測物體的矩形框向量組，scaleFactor爲每一個圖像尺度中的尺度參數，默認值爲1.1，minNeighbors參數爲每一個級聯矩形應該保留的鄰近個數（沒能理解這個參數，-_-|||），默認爲3，flags對於新的分類器沒有用（但目前的haar分類器都是舊版的，CV_HAAR_DO_CANNY_PRUNING利用Canny邊緣檢測器來排除一些邊緣很少或者很多的圖像區域，CV_HAAR_SCALE_IMAGE就是按比例正常檢測，CV_HAAR_FIND_BIGGEST_OBJECT只檢測最大的物體，CV_HAAR_DO_ROUGH_SEARCH只做初略檢測），默認爲0.minSize和maxSize用來限制得到的目標區域的範圍。這裏調用的代碼如下：
- face_cascade.detectMultiScale( frame_gray, faces, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) );
face_cascade.detectMultiScale( frame_gray, faces, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) );4）顯示目標
這個也比較簡單，調用ellips函數將剛纔得到的faces矩形框都顯示出來
更進一步，也可以在得到的每一幅人臉中得到人眼的位置，調用的分類器文件爲haarcascade_eye_tree_eyeglasses.xml，先將臉部區域選爲興趣區域ROI，重複上訴步驟即可，這裏就不詳細介紹了。當然，感興趣的朋友也可以試試其他的xml文件作爲分類器玩一下啊，感覺LBP特徵雖然xml文件的大小很小，但效果還可以，不過我沒有做過多的測試。光說不練假把式，最後貼上效果圖和源代碼的下載地址
