翻译：Mastering OpenCV with Practical Computer Vision Projects(第8章)（一）

这一章主要介绍有关人脸检测和人脸识别及其相关概念，人脸识别一直是一个热门且困难的课题，许多的研究者在脸识别这一领域奋战多年。因此这一章从人脸识别的一些简单方法开始入手，希望可以给那些想投身于这一领域的读者们一个好的开始。这一章的内容主要包括：
 Face detection
 Face preprocessing
 Training a machine-learning algorithm from collected faces
 Face recognition
 Finishing touches

人脸识别和人脸检测：
人脸识别是给已知人脸一个标签的过程，就像人们通过脸面区分他们的家人、朋友一样。目前，在计算机领域有很多方法去学习识别一个面孔，一般主要包括四个步骤：
1. 人脸检测：这个过程是定位一幅图像中的人脸区域，这一步一般不会在意这个人到底是谁，而只需要确定这是一张脸即可。
2. 预处理：这步处理的目的是想让脸部图像看起来更清晰。
3. 收集和学习：这一步对大量的预处理的脸部图像进行处理，然后学习如何区分他们。
4. 人脸识别：从收集的人脸库中寻找与相机中人脸最相似的。

现阶段，人脸检测技术已经相当成熟，在实践中可靠性较高，然而人脸识别技术的可靠性还远不如人脸检测。我们不难发现在一些相关的论文中人脸识别准确率都高达95%以上，然而同样的算法应用在我们自己项目中时，总会发现准确度还不及50%。主要的原因是目前的这些人脸识别技术对画面中实际的场景十分敏感，比如光照强度、光照方向以及阴影、脸部的朝向、表情等。如果说训练和测试用的图片保持一致，那么识别效果会很好。但如果训练用的图片是光从人的左侧照射，而测试用的图片时光照充人的右侧照射，这样的识别效果会很糟。因此用以训练的数据集是很重要的。
对于脸部的预处理主要是减少这些方面的问题：使人脸具有相似的亮度和对比度，使人脸在图片中的位置大致一样。这一步将大大提高人脸识别系统的识别能力，所以本章将着重讲述脸部的预处理方法。

尽管我们常在电视上看到一些人脸识别应用于安检的场景，但是并不是说目前人脸识别技术可以独立可靠的应用在所有真实的安检系统，但是他们可以被用来对于可靠性并不是那么高的一些领域，比如检测进入房间内的不同人进而播放不同的歌曲，或者应用在机器人身上，当他见到你时会叫出你的名字。由人脸识别技术拓展出的技术还有很多，比如性别识别、年龄识别以及表情识别等。

第一步：人脸检测
直到2000年，尽管科研领域有大量的人脸检测技术，但是大都比较慢且不可靠。到了2001年，Viola和Jones引入了Haar-based casecade classifier进行目标检测，这一技术带来了巨大的改变，一年后Lienhart对该算法进行了改善，其检测速度既快又可靠，已经可以在台式机上实时检测出人脸，而且人脸正面的检测准确率要大于95%。这一技术给人脸识别领域（计算机视觉领域）带来了巨大的革新。最重要的是Lienhart还写了对应的目标检测器并免费集成到opencv中，这一检测器不仅可以用来检测人脸正面照，而且可以用来检测侧脸、眼睛、嘴、鼻子、商标等很多东西。这一检测器在opencv2.0版本之后进行了拓展，采用LBP特征进行检测，这一工作是在2006年由Ahonen等人创造。采用LBP特征的检测器的检测速度一般要比基于Haar的检测器快好多，而且不会涉及许可证的问题，而这一问题在基于Haar特征的检测器时常会遇到。

基于Haar检测器的思想就是如果你看很多人的正面脸，你会发现眼睛区域颜色会比额头以及脸颊要深，同时嘴的颜色应该比脸颊深等等。检测器一般执行大概20级类似于这样的比较来确定目标是否为脸部，但是他必须检测图片中任意尺寸和位置，因此每幅图像可能要执行成千上万次比对。基于LBP特征的检测器与基于Haar的很类似，只是使用的一些区域的灰度直方图进行比较，比如边缘、拐点以及平缓区域。

未完待续》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》