参考viola jones人脸识别的相关文章[1-3]，实现了论文中提到的整个人脸识别框架。
本框架可用于人脸识别的训练和测试过程，具体用法如下。
语言：c/c++
平台：macOS/linux/windows
环境：opencv4.2.0 + openmp
数据：训练集:2000张人脸 2721张非人脸 验证集:1000张人脸 601张非人脸
需要数据的可以留邮箱
-
Rapid Object Detection using a Boosted Cascade of Simple Features
第一个参数: train，代表进行训练
第二个参数: 模型训练时用到的数据文件路径（下面有数据格式示例）
-model 模型配置文件路径，模型支持继续训练，如果需要在先前模型基础上继续训练，可给出先前模型文件路径（可选）
用法如下：
./haarcascade train ./train.data
第一个参数: test，代表进行测试
第二个参数: 测试文件路径，一般为*.jpg, *.png, *.gif，当该参数名为“webcam”时，程序会打开0号摄像头并进行检测（如果有的话，并且编译时勾选了opencv）
-model 模型配置文件路径（可选，默认加载模型./backup/attentional_cascade_def.cfg）
-outfile 测试得到的文件保存路径，可通过opencv直接查看，编译时需配置opencv选项（可选）
-skintest 肤色测试开关，1打开 0关闭，测试彩色图像时可以打开，测试灰度图像时需要关闭，默认为关闭（可选）
一般图像测试：
./haarcascade test ./Users/bazinga/Desktop/daddario.jpg
打开摄像头:
./haarcascade test webcam -skintest 1
window_size = 24 (检测窗大小，同样也是正样本的图片大小，必须是正方形)
train_positive = ./train_pos.list （./train_pos.list文件中包含了所有训练集中的正样本路径，列表形式）
train_negative = ./train_neg.list （./train_neg.list文件中包含了所有训练集中的负样本路径，列表形式）
validation_positive = ./vali_pos.list（./vali_pos.list文件中包含了所有验证集中的正样本路径，列表形式）
validation_negative = ./vali_neg.list（./vali_neg.list文件中包含了所有验证集中的负样本路径，列表形式）
backup = ./backup （模型训练时的保存路径）
fnr_perstage = 0.005 (单个阶段内的假阴性率训练目标)
fpr_perstage = 0.5 (单个阶段内的假阳性率训练目标)
fpr_overall = 0.0000001 (整体模型的假阳性率训练目标)
训练时用到的正负样本需为灰度图像，且每个正样本图像大小为 window_size x window_size像素，负样本图像大小可以不固定
文章[1]中最终训练所得的模型有31层，在48G的linux系统下训练了一天左右。目前框架中使用的默认模型只有十层，在mac上训练了大概2小时左右，fpr还是有些高（10e-4左右），还需进一步训练。
文章[1]中分类器在图像上的步进为1个像素（与viola jones原文中有所不同，会产生更多的检测子窗），检测效率会有所下降，但可以获取更高的准确率。更改检测器的步进大小需要同时更改检测后处理过程。目前框架中实现了文章[1]中的后处理，但暂未应用。