传统人脸检测的原理

什么是传统的方法呢？所谓传统方法是相对于眼下方兴未艾的深度学习的技术路线而言的，指用传统的机器学习的方法，采用了某种意义上讲需要一定程度的“人工设计”的特征检测模板（例如Haar特征），也没有使用到更先进更自动的多层深度网络的技术方式。

听起来似乎很古老，但古老不等于简单，它同样有相当多的技术路线，不同的算法，应用了各不相同的数学理论，是个大家庭。所以为免以偏概全，这里我们同样只能说是介绍其中的一个特例，这个特例也是OpenCV中使用到的一种方法：使用Haar级联分类器的人脸检测。这里我可能会引用到各种各样的书籍和资料，后续会仔细把它们标注出来。

那么我们接下来就来介绍一下“Haar级联分类器”这个复合名词。所以说，有时候一个好的名字对人们学习某些概念是一项相当的便利，短短的这么一个复合词汇，就把“传统图像检测方法”中应用到的技术都概括完了，理解了这个词，也就理解了图像检测了。

前面已经说了，这篇文章我们侧重原理的介绍。那么这里我们先讲清楚“Haar级联分类器”是什么，再来论证它背后的数学原理：为什么它能够完成图像检测的任务。

传统的图像检测方法它基本干了两件事：一件事是在图像中提取物体的特征。什么叫做特征呢？在这里你可以把它理解为一种共性，就是输入了多张样本图像，使用同一方法，都能够提取到这一共同特征。举例来说，田野里有一群小朋友在偷西瓜，你对着田头大喊一声，主人来啦，所有人全都会大惊而逃，这个就叫做特征，如果有一个小朋友不跑，那么这就不能叫特征，用专业术语说，因为这样你会漏检，以为这不是一个小朋友。但是初步提取出来的特征通常都是非常微不足道的，你不能根据一个单一特征就判定输入数据属于某个分类。

它做的另一件事是执行一种分类算法，根据这些提取到的特征，判断图像属于哪个分类，或者对于二分类问题来说，是否属于某个分类。

Haar级联分类器是一个复合词汇，我们把这个词拆出来，Haar指的是Haar特征检测，干的就是第一件事，特征提取的任务。这里使用到一个“Haar特征模板”的工具，这个工具或者说技术我一开始看到的时候觉得非常聪明，或者说非常有智慧，用一个极简单的蒙板，即能完成极复杂的任务，而且适应性非常好。后面我们会仔细地说明这个概念的原理及其演进知识。

那么提取到众多的微小特征之后，需要根据这些特征对图像进行分类，如何分类呢？这里使用到级联分类器这种方法。级联是什么意思呢，就是把多个简单的判断方法/函数级联到一起，组成一个复合的高可靠性的判断方法，如果输入通过了第一个判断方法（被判定为真）则继续使用第二个判断方法对其进行判定，当有一个判断方法没有通过时，即判定为假，直到输入数据通过所有判断方法，才判定为真。这里假设一批错误样本中，使用某单一判断方法的误检率为10%，即100张图片，有10张被错误地判断为真，看起来挺高的。但是当这10张图片进入下一个判断方法时，假设其他的判断方法误检率仍然为10%，则这10张图只有一张图片会被误判为真，所以即使单一判断方法的错误率高达10%，当多个判断方法级联起来时，其误检率仍然可以降到很低。当然，反过来在正确样本中进行级联判断，则要求单一判断方法的准确率要高得多，但是当然我们也可以通过多次检测，来提高准确率，例如人脸识别的时候多刷几次脸。

这里每个单一判断方法中所有的参数都需要我们通过训练的方式，使用统计学的方法，通过多次迭代直到其错误率低于我们要求的阈值。

下面我们就先来学习第一个关键技术：Haar特征模板。而想要弄明白它，首先要了解另一个名词Haar变换。我们知道，比较一幅图片是很困难的，图片可能会出现平移、缩放、旋转、扭曲等等，使得比较它们费时费力，而结果不准确。而Haar变换可以在不丢失图片主要信息的情况下，更简单地提取到图片的特征，简单点说，不管图像怎么样扭曲缩放，使用Haar变换这种分析方法，仍然能够认出图像是什么。下面的章节将详细说明其原理。