下面的article 将为您提供幕后工作的概览，我强烈建议您阅读这篇文章。
更高的相机分辨率是否更适合 Haar-Cascades？
不一定，cascade.detectMultiScale 具有针对各种输入宽度、高度情况进行调整的参数，例如 minSize 和 maxSize，这些是可选参数，但是，如果您有控制权，您可以调整这些以获得可靠的预测超过输入图像大小。如果您将minSize 设置为更小的值并忽略maxSize，那么它也适用于更小和更高分辨率的图像，但性能会受到影响。此外，如果您现在想象，为什么高分辨率和低分辨率图像之间没有区别，那么您应该考虑 cascade.detectMultiScale 在内部将图像缩放到较低分辨率以提高性能，这就是为什么定义 maxSize 和minSize 对于避免任何不必要的迭代很重要。
我必须以一定的比例捕捉视频帧吗？例如
(100px X100px)
这主要取决于您传递给cascade.detectMultiScale 的参数。我个人认为100 x 100 对于帧中较小的人脸检测来说太小了，因为在将帧调整为更小的尺寸时某些特征会完全丢失，而cascade.detectMultiScale 高度依赖于输入图像中的梯度或特征.
但是如果输入帧只有人脸作为主要部分，并且没有其他较小的人脸悬在后面，那么你可以使用100 X 100。我已经测试了一些大小为100 x 100 的样本面，效果很好。如果不是这种情况，那么300 - 400 px 宽度应该可以正常工作。但是，您需要调整参数以达到准确性。
Haar-Cascades 在灰度图像中效果更好吗？
它们仅适用于灰度图像。
article，如果你看了第一部分，就会知道人脸检测是由检测图像中的许多二进制模式组成的，这基本上来自ViolaJones，论文是基础这个算法。
不同的光照条件会有所不同吗？
在某些情况下，大部分 Haar 特征可能是光照不变的。
如果您考虑在不同的照明条件下拍摄绿光或红光下的图像，那么它可能不会影响检测，haar 特征（因为依赖于灰度）独立于输入图像的 RGB 颜色。检测主要取决于输入图像中的梯度/特征。因此，只要输入图像中有足够的梯度差异，例如眉毛的强度低于前额等，它就可以正常工作。
但是考虑输入图像有背光或环境光非常低的情况，在这种情况下，可能没有找到一些突出的特征，这可能导致无法检测到人脸。
detectMultiScale(params) 方法究竟做了什么？
我猜，如果你已经阅读了article，那么此时你一定很了解它。
如果我想进一步分析 Eye Blinking, Eye Closure
持续时间、嘴巴打哈欠、头部点头和头部方向检测
疲劳（嗜睡）使用支持向量机，有什么建议吗？
不，我不建议您使用 SVM 执行这些类型的手势检测，因为运行 10 个不同的级联来得出当前的面部状态会非常慢，但是我建议您使用一些面部标志检测框架，比如Dlib，你也可以搜索一些其他的框架，因为dlib的模型大小接近100MB，如果你想移植到移动设备上可能不适合你的需求。所以关键是**面部地标检测**，一旦你得到了全脸的标签，你可以得出结论，比如嘴巴是否张开或眼睛是否在眨眼，并且它是实时工作的，所以你的视频处理不会不会受太多苦。