以下article，會給你一個引擎蓋下的事情的概述，我強烈建議閱讀文章。
做更高級相機的決議對Haar-Cascades更好嗎？
不是必需的，cascade.detectMultiScale有PARAMS調整各種輸入寬度，高度情景，像minSize和maxSize，這些都是可選PARAMS不過，但是你可以調整這些獲得強大的預測，如果你有控制輸入圖片大小。如果您將minSize設置爲較小的值並忽略maxSize，那麼它對較小和高分辨率的圖像也適用，但性能會受到影響。此外，如果現在想象一下，如何在高分辨率和低分辨率圖像之間沒有差異，那麼您應該考慮內部縮放圖像以降低分辨率以提高性能，這就是爲什麼定義maxSize和minSize對於避免任何不必要的迭代。
我是否必須以一定的比例捕捉視頻幀？例如 （100像素X100px）
這主要取決於你傳遞給cascade.detectMultiScale的PARAMS。我個人認爲100 x 100對於較小的人臉檢測來說太小了，因爲在將框架調整到較小的尺寸時某些功能會完全丟失，並且cascade.detectMultiScale高度依賴於輸入圖像中的漸變或特徵。
但是，如果輸入框架只有臉部作爲主要部分，並且沒有其他較小的面部懸在後面，那麼您可以使用100 X 100。我已經測試了一些尺寸爲100 x 100的樣本面，效果很好。如果情況並非如此，那麼300 - 400像素寬度應該很好。但是，您需要調整參數才能達到準確性。
Do Haar-Cascades在灰度圖像中的工作更好嗎？
它們只能在灰度圖像中工作。
在article如果你讀了第一部分，你會發現它的面部檢測包括檢測圖像中的許多二進制模式，這基本上來自ViolaJones，這是該算法的基本原理。
不同的照明條件有什麼不同？
可能在某些情況下，主要是哈爾特徵是光照不變的。
如果你正在考慮不同照明條件爲採取下綠光或紅光的圖像，那麼其可能不會影響檢測，哈爾-特徵（因爲依賴於灰度）是獨立於輸入的RGB顏色的圖片。檢測主要取決於輸入圖像中的梯度/特徵。因此，只要輸入圖像中存在足夠的梯度差異，例如眼眉的強度低於前額等，它就可以正常工作。
但是，考慮輸入圖像具有背光或環境光很弱的情況，在這種情況下，可能會發現某些突出的特徵未找到，這可能導致未檢測到面部。
detectMultiScale（params）方法的確切做法是什麼？
我想，如果您已閱讀article，那麼您現在一定知道這一點。
如果我想去的眨眼進一步分析，眼睛閉合 時間，嘴打哈欠，點頭和頭部方向來檢測 疲勞（嗜睡）通過使用支持向量機，有何意見？
不，我不會建議你用SVM執行這些類型的手勢檢測的，因爲這將是運行10個不同的級聯結束當前的面部狀態非常慢，但是我會建議你使用一些面部Landmark Detection Framework，例如Dlib，您也可以搜索其他一些框架，因爲dlib的模型大小將近100MB，如果您想將它移植到移動設備上，它可能不適合您的需要。所以關鍵是**面部標記檢測**，一旦你得到全臉標記，你可以得出結論，如口如果打開或眼睛閃爍，並且它在實時工作，所以你的視頻處理贏得'受到很大的影響。