OpenCV的人脸检测主要是调用训练好的cascade（Haar分类器）来进行模式匹配。cvHaarDetectObjects，先将图像灰度化，根据传入参数判断是否进行canny边缘处理(默认不使用)，再进行匹配。匹配后收集找出的匹配块,过滤噪声，计算相邻个数如果超过了规定值（传入的min_neighbors）就当成输出结果，否则删去。匹配循环：将匹配分类器放大scale（传入值）倍，同时

CvSize矩形框大小，以像素为精度typedef struct CvSize{int width; /* 矩形宽 */int height; /* 矩形高 */}CvSize;/* 构造函数 */inline CvSize cvSize( int width, int height );GetSize返回矩阵或图像ROI的大小CvS

在之前讲到的人脸测试后，提取出人脸来，并且保存下来，以供训练或识别是用，提取人脸的代码如下：void GetImageRect(IplImage* orgImage, CvRect rectInImage, IplImage* imgRect,double scale){//从图像orgImage中提取一块（rectInImage）子图像imgRectIplImage *res

1、支持向量机（ SVM ）是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则 为了最小化期望风险，应同时最小化经验风险和置信范围）支持向量机方法的基本思想：（ 1 ）它是专门针对有限样本情况的学习机器，实现的是结构风险最小化：在对给定的数据逼近的精度与逼近函数的复杂性之间寻求折衷，以期获得最好的推广能力；（ 2 ）它最终解决的是一个凸二次规划问题，

一、 标定    首先我们要对摄像头做标定，具体的公式推导在learning opencv中有详细的解释，这里顺带提一句，这本书虽然确实老，但有些理论、算法类的东西里面还是讲的很不错的，必要的时候可以去看看。   Q1：为什么要做摄像头标定？      A:  标定的目的是为了消除畸变以及得到内外参数矩阵，内参数矩阵可以理解为焦距相关，它是一个从平面到像素的转换，焦距不变它

1、HOG特征：       方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal

一、 SAD算法1.算法原理        SAD(Sum of absolute differences)是一种图像匹配算法。基本思想：差的绝对值之和。此算法常用于图像块匹配，将每个像素对应数值之差的绝对值求和，据此评估两个图像块的相似度。该算法快速、但并不精确，通常用于多级处理的初步筛选。2.基本流程输入：两幅图像，一幅Left-Image，一幅Right-Im

一， 训练样本和测试样本训练样本的目的是 数学模型的参数，经过训练之后，可以认为你的模型系统确立了下来。一般训练样本和测试样本相互独立，使用不同的数据。 在有监督(supervise)的机器学习中，数据集常被分成2~3个，即：训练集(train set) 验证集(validation set) 测试集(test set)。http://blog.sina.com.cn

1、支持向量机（ SVM ）是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则 为了最小化期望风险，应同时最小化经验风险和置信范围）支持向量机方法的基本思想：（ 1 ）它是专门针对有限样本情况的学习机器，实现的是结构风险最小化：在对给定的数据逼近的精度与逼近函数的复杂性之间寻求折衷，以期获得最好的推广能力；（ 2 ）它最终解决的是一个凸二次规划问题，

总体回归函数也成为理论回归函数，模型为 E（y | x）= a + b x其中参数ab存在但未知，是一个期望值，样本回归函数也成为经验回归函数模型为 y^ = a^ + b^ x其中a^ 、b^为根据样本数据估计出来的值，y^也是通过估计所得的方程预测出来的值。非实际模型，知识用来拟合实际模型。 总体回归线是未知的，只有一条。样本回归线是根据样本数据拟合的，每抽取一