项目代码：https://download.csdn.net/download/qq_38735017/87425701
背景介绍
- 影像分析（video）：一个影像分析模块，它包括动作判断，背景弱化和目标跟踪算法。
- 3D 校准（calib3d）：基于多视图的几何算法，平面和立体摄像机校准，对象姿势判断， 立体匹配算法，和 3D 元素的重建。
- 平面特征（features2d）：突出的特征判断，特征描述和对特征描述的对比。
- 对象侦查（objdetect）：目标和预定义类别实例化的侦查（例如：脸、眼睛、杯子、 人、汽车等等）。
- highgui:一个容易使用的用户功能界面。
- 视频输入输出（videoio）:一个容易使用的视频采集和视频解码器。
- GPU：来自不同 OpenCV 模块的 GPU 加速算法。
- 一些其他的辅助模块，比如 FLANN 和谷歌的测试封装，Python 绑定和其他。
3.安装 OpenCV
我们利用 python 里面已有的库来安装 OpenCV。Python 是一种计算机程序设计语言。是一 种动态的、面向对象的脚本语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更 新和语言新功能的添加，越来越多被用于独立的、大型项目的开发。
我们只需要通过 pip 或者 anaconda 安装 OpenCV 包就可以通过导入包并使用。
4.BP 神经网络算法介绍和实践
BP 神经网络通常是指基于误差反向传播算法( Back Propagation, 简称 BP 算法)的多层 前向神经网络 ( Multi-laye Feed-forward Neural Networks, MFNN),它最初是由 Paul Werboss 在 1974 年提 出, 但未在传播，直到 20 世纪 80 年代中期 Rumelhart、Hinton 和 Williams, David Parker 和 Yann Le Cun 重新发现了 BP 算法，同时因此算法被包括在《并行 分布处理》(Parallel Distributed Processing)，此算法才广为人知。目前 BP 算法已成为应 用最广泛的神经网络学习算法，据统计有近 90% 的神经网络应用是基于 BP 算法的。BP 网络的神 经元采用的传递函数通常是 Sigmoid 型可微函数，所以可以实现输入和输出间的任意非线性映 射，这使得它在诸如信号处理、计算机网络、过程控制、语音识别、函数逼近、模式识别及数 据压缩等领域均取得了成功的应用。
4.1 BP 神经网络结构
BP 网络的基本结构如图所示，其输入层节点数为，输入变量为()( = 1,2, . . . , )，隐层 节点数为，输入层节点与隐层节点间的连接权值为( = 1,2, . . . , ; = 1,2. . . , )，隐层节点的 阈值为 ( = 1,2, . . , )，隐节点输出为 ()；输出层节点数为，隐层节点与输出层节点间的 连接权值为( = 1,2, . . . , ; = 1,2, . . . , )，输出层节点的阈值为( = 1,2, . . . , )，输出层 节点输出为()。每一个神经元用一个节点表示，网络由输入层、隐层和输出层节点组成。隐层可以是如图所示的一层，也可以是多层，前层到后层的节点通过权联结。隐节点一般采用 Sigmoid 型函数，输入和输出节点可以采用 Sigmoid 型函数或者线性函数。由于采用的是 BP 算法，所以常称为 BP 神经网络。
4.2 BP 算法原理
BP 算法由正向传播和反向传播两部分组成。在正向传播过程中，输入信息从输入层经隐层 单元处理后，传至输出层，每一层神经元的状态只影响下一层神经元的状态。如果输出层得不 到期望的输出，就转为反向传播，即：把误差信号沿连接路径返回，并通过修改各层神经元之 间的连接权值，使误差信号最小。
由于多输入-多输出的网络可以转化为多输入-单输出的情况，所以这里采用的是多输入-单输出的神经模型。假设网络由层，而第层仅含输出节点，第一层为输入节点。另外，假设有个标准样本对 undefined，对网络的第层的输出为()。而且，隐层节点和输出层节点的作用函数为 SIgmoid 行函数，即
它反映了神经元的饱和特性，在 0 和 1 之间取值。上式中，Q 为表示神经元非线性的参数， 称增益型(Gain)，也称调节参数。Q 值越大，S 型曲线越陡峭；反之，Q 值越小，S 型曲线越平 坦；一般取 Q = 1。
假设对某一输入()，网络输出为()，节点的输出为，节点的输入为
节点的输出为:= (ne)
并将误差函数定义为
其中为网络目标输出。
下面分两种情况来讨论：
由以上两式可以得到：
又由于
根据前面的推导过程,具体的 BP 算法步骤可概括如下：
根据前面的推导过程,具体的 BP 算法步骤可概括如下： 第一步，选取初始权值、阈值。 第二步，重复下述过程直至满足性能要求为止：
1.对于学习样本=1 到
1）计算每层各节点的，et 和的值（正向过程）； 2 ) 对各层从层到第二层，对每层各节点，由式(4.5)和(4.8)反向计算（反向过程）
2.修正权值
4.3 BP 算法收敛性
BP 算法是最小均方误差的近似最快下降算法，其性能曲面可能有多个局部极小点而且在参 数空间的不同区域曲率也是变化的。依照 BP 网络的性能曲面，设置 BP 算法的初始参数时需注 意， 首先不能把初始参数设置为 0。这是由于对性能曲面来说，参数空间的原点趋向鞍点。其 次，不能把初始参数设置过大。这是由于在远离优化点的位置，性能曲面将变得十分平坦。典 型情况下，可以选择一些小的随机值作为初始权值和偏置值。这样可以在不离开性能曲面平坦 区域的同时避开可能的鞍点。也可用 S 型传递函数的形状和输入变量的范围决定权值的大小， 然后用偏置值将 S 型函数的形状移到操作区域的中央国）。通过调整参数，BP 算法最终收敛到 最优化的解，但收敛的速度很慢。如果提高学习速度，算法将通过初始的平坦曲面而快速收 敛，即可以在平坦曲面时增加学习速度，在斜率增加时减少学习。另外，也可采用平滑轨迹， 即当算法开始发散时，用平均改变参数的方法过滤轨迹可以提高收敛性。
5.结果展示
在此，我们是基于 python 语言。学习了 200 张男生照片和 200 张女生照片。运用了三层神 经网络，一个输入层，一个隐藏层和一个输出层。下面是最终结果。
图片 1. 视频识别人脸
图片 2. 视频识别性别
