OpenCV支持的目标检測的方法是利用样本的Haar特征进行的分类器训练，得到的级联boosted分类器（Cascade Classification）。注意，新版本号的C++接口除了Haar特征以外也能够使用LBP特征。
先介绍一下相关的结构，级联分类器的计算特征值的基础类FeatureEvaluator，功能包含读操作read、复制clone、获得特征类型getFeatureType，分配图片分配窗体的操作setImage、setWindow，计算有序特征calcOrd，计算绝对特征calcCat，创建分类器特征的结构create函数。级联分类器类CascadeClassifier。目标级联矩形的分组函数groupRectangles。
接下来，我尝试使用CascadeClassifier这个级联分类器类检測视频流中的目标（haar支持的目标有人脸、人眼、嘴、鼻、身体。这里尝试比較成熟的人脸和眼镜）。用load函数载入XML分类器文件（眼下提供的分类器包含Haar分类器和LBP分类器（LBP分类器数据较少））详细过程例如以下：
这里再补充一点：后来我又进行了一些实验，对正面人脸分类器进行了实验，总共同拥有4个，alt、alt2、alt_tree、default。对照下来发现alt和alt2的效果比較好，alt_tree耗时较长，default是一个轻量级的，常常出现误检測。所以还是推荐大家使用haarcascade_frontalface_atl.xml和haarcascade_frontalface_atl2.xml。
1）载入级联分类器
调用CascadeClassifier类成员函数load实现，代码为：
2）读取视频流3）对每一帧使用该分类器
这里先将图像变成灰度图，对它应用直方图均衡化，做一些预处理的工作。接下来检測人脸，调用detectMultiScale函数，该函数在输入图像的不同尺度中检測物体，參数image为输入的灰度图像，objects为得到被检測物体的矩形框向量组，scaleFactor为每个图像尺度中的尺度參数，默认值为1.1，minNeighbors參数为每个级联矩形应该保留的邻近个数（没能理解这个參数，-_-|||），默觉得3，flags对于新的分类器没实用（但眼下的haar分类器都是旧版的，CV_HAAR_DO_CANNY_PRUNING利用Canny边缘检測器来排除一些边缘非常少或者非常多的图像区域，CV_HAAR_SCALE_IMAGE就是按比例正常检測，CV_HAAR_FIND_BIGGEST_OBJECT仅仅检測最大的物体，CV_HAAR_DO_ROUGH_SEARCH仅仅做初略检測），默觉得0.minSize和maxSize用来限制得到的目标区域的范围。这里调用的代码例如以下：
代码例如以下
结果：
下图就是使用上述代码对内置摄像头的视频流进行人脸检測的结果图像:
注意复制分类器文件 haarcascade_frontalface_alt.xml 和haarcascade_eye_tree_eyeglasses.xml 到你的当前文件夹下. 他们在OpenCV安装文件夹 opencv/data/haarcascades 里面.
下图是使用分类器文件 lbpcascade_frontalface.xml (LBP特征训练的) 进行的检測结果. 对于双眼的检測依然使用刚才使用过的分类器.
參考：