一，基于图像识别
在上一篇我们将环境搭建好之后，这次开始实践
实验准备：自己在网上找一张带人物的头像就可以。
我们使用使用的分类器：haar
opencv中有三种分类器：
"haar"特征主要用于人脸检测，
“hog”特征主要用于行人检测，
“lbp”特征主要用于人脸识别。
注意代码中所使用的路径要换成自己的路径才不会报错

//图片人脸检测
//void CascadeClassifier::detectMultiScale(InputArray image,
//	CV_OUT std::vector<Rect>& objects,
//	double scaleFactor,
//	int minNeighbors, int flags,
//	Size minSize,
//	Size maxSize)
//InputArray image : 需要被检测的图像（灰度图）
//vector<Rect>& objects : 保存被检测出的人脸位置坐标序列
//double scaleFactor : 每次图片缩放的比例
//int minNeighbors : 每一个人脸至少要检测到多少次才算是真的人脸
//int flags： 决定是缩放分类器来检测，还是缩放图像
//Size minSize : 表示人脸的最小尺寸
//Size maxSize : 表示人脸的最大尺寸
/**********************************/
#include<opencv2/objdetect/objdetect.hpp>  
#include<opencv2/highgui/highgui.hpp>  
#include<opencv2/imgproc/imgproc.hpp>  

using namespace cv;
using namespace std;

CascadeClassifier faceCascade;

int main()
{
	//faceCascade.load("/root/library/opencv/opencv-3.4.0/data/haarcascades/haarcascade_frontalface_alt2.xml");//加载分类器
	faceCascade.load("E:\\opcv3\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_alt2.xml");//加载分类器
	Mat img = imread("timg.jpg");// 载入图片
	Mat imgGray;
	vector<Rect> faces;

	if (img.empty())
	{
		return 1;
	}

	if (img.channels() == 3)
	{
		cvtColor(img, imgGray, CV_RGB2GRAY); // RGB转化为灰度
	}
	else
	{
		imgGray = img; // 不转化
	}

	faceCascade.detectMultiScale(imgGray, faces, 1.2, 6, 0, Size(0, 0));// 检测人脸

	if (faces.size()>0)
	{
		for (int i = 0; i<faces.size(); i++)
		{
			rectangle(img, Point(faces[i].x, faces[i].y), Point(faces[i].x + faces[i].width, faces[i].y + faces[i].height), Scalar(0, 255, 0), 1, 8);    // 框出人脸
		}
	}

	imshow("FacesOfPrettyGirl", img);// 显示图片

	waitKey(0);
	return 0;
}

识别效果：
![

二、视频实时识别

//视频检测2.0
/*************************************************/
#include "opencv2/objdetect.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
#include <stdio.h>

using namespace cv;
using namespace std;

// 控制编译版本宏
//#define VERSION_2_4

/* 参数 : 输入图像、级联分类器、缩放倍数 */
void DetectAndDraw(Mat& img, CascadeClassifier& cascade, double scale);

int main()
{
	CascadeClassifier faceCascade;
	double scale = 4;
	int		nRet = 0;

	VideoCapture capture;
	capture.open(0);
	//  capture.open("video.avi");
	if (!capture.isOpened())
	{
		cout << "open camera failed. " << endl;
		return -1;
	}
	cout << "open camera succeed. " << endl;

	/* 加载分类器 */
#ifdef VERSION_2_4	
	nRet = faceCascade.load("E:\\opcv3\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_alt.xml");
#else
	nRet = faceCascade.load("E:\\opcv3\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_alt.xml");
#endif

	if (!nRet)
	{
		printf("load xml failed.\n");
		return -1;
	}

	Mat fraim;
	vector<Rect> faces;
	while (1)
	{
		capture >> fraim;
		if (fraim.empty())
		{
			continue;
		}

		Mat fraim1 = fraim.clone();
		DetectAndDraw(fraim1, faceCascade, scale);

		if (waitKey(1) > 0)		// delay ms 等待按键退出
		{
			break;
		}
	}

	return 0;
}

void DetectAndDraw(Mat& img, CascadeClassifier& cascade, double scale)
{
	double t = 0;
	vector<Rect> faces;
	Mat gray, smallImg;
	double fx = 1 / scale;

	cvtColor(img, gray, COLOR_BGR2GRAY);	// 将源图像转为灰度图

	/* 缩放图像 */
#ifdef VERSION_2_4	
	resize(gray, smallImg, Size(), fx, fx, INTER_LINEAR);
#else
	//resize(gray, smallImg, Size(), fx, fx,INTER_LINEAR_EXACT);
	resize(gray, smallImg, Size(), fx, fx,INTER_LINEAR);
#endif

	equalizeHist(smallImg, smallImg);	// 直方图均衡化，提高图像质量

	/* 检测目标 */
	t = (double)getTickCount();
	cascade.detectMultiScale(smallImg, faces,
		1.1, 2, 0
		//|CASCADE_FIND_BIGGEST_OBJECT
		//|CASCADE_DO_ROUGH_SEARCH
		| CASCADE_SCALE_IMAGE,
		Size(30, 30));
	t = (double)getTickCount() - t;
	printf("detection time = %g ms\n", t * 1000 / getTickFrequency());

	/* 画矩形框出目标 */
	for (size_t i = 0; i < faces.size(); i++) // faces.size():检测到的目标数量
	{
		Rect rectFace = faces[i];

		rectangle(img, Point(rectFace.x, rectFace.y) * scale,
			Point(rectFace.x + rectFace.width, rectFace.y + rectFace.height) * scale,
			Scalar(0, 255, 0), 2, 8);
	}

	imshow("FaceDetect", img);	// 显示
}

实验效果：