harr＋adaboost 肤色检测

### 使用 Harr 特征和 Adaboost 实现肤色检测

#### 肤色检测原理概述
肤色检测通常涉及两个核心部分：特征提取和分类器训练。对于基于Harr特征和Adaboost实现的肤色检测，具体过程如下：

- **特征提取**：利用Haar-like特征来描述图像中的局部纹理变化情况。这些特征能够捕捉到不同尺度下的边缘、线条以及方向信息[^1]。

- **权重调整**：将颜色这种先验知识作为Haar特征权值进行目标判断，在此过程中考虑到了色彩空间分布特性对人体皮肤区域的有效表征作用[^2]。

- **分类器构建**：采用AdaBoost算法迭代地组合多个弱分类器形成强分类器。每次迭代都会根据前一轮错误率重新分配样本权重，使得后续的学习更加关注于难分样本上[^3]。

#### Python代码示例
下面是一个简单的Python程序片段，展示了如何使用OpenCV库加载预训练好的Haar级联分类器来进行基本的脸部检测，并结合KNN算法完成最终的人脸子窗口分类工作。需要注意的是，这里并没有直接展示完整的肤色检测流程，而是提供了一个基础框架供进一步开发优化。

import cv2 as cv
from sklearn.neighbors import KNeighborsClassifier
import numpy as np

def load_classifier():
    # 创建并初始化级联分类器对象
    classifier = cv.CascadeClassifier()
    
    # 加载已有的haar特征文件
    classifier.load('haarcascade_frontalface_default.xml')
    
    return classifier


def detect_faces(image_path):
    img = cv.imread(image_path)
    gray_img = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

    face_cascade = load_classifier()

    faces = face_cascade.detectMultiScale(gray_img,scaleFactor=1.1,minNeighbors=5,minSize=(30, 30))

    skin_samples = []
    labels = []

    for (x,y,w,h) in faces:
        roi_gray = gray_img[y:y+h,x:x+w]

        # 提取ROI内的像素均值作为简单表示形式
        mean_color = np.mean(roi_gray).reshape(-1,)
        
        # 假设所有检测到的脸都是正面朝向，则标签为1; 否则可以根据实际情况设置其他类别编号
        label = 1
        
        skin_samples.append(mean_color)
        labels.append(label)


    knn_model = KNeighborsClassifier(n_neighbors=3)
    knn_model.fit(skin_samples,labels)

    test_sample = [[np.random.randint(0,255)]]
    prediction_result = knn_model.predict(test_sample)[0]

    print(f'The predicted result of random sample {test_sample} is : {"skin" if prediction_result==1 else "non-skin"}')

detect_faces('./example_face_image.jpg')