以下article，会给你一个引擎盖下的事情的概述，我强烈建议阅读文章。
做更高级相机的决议对Haar-Cascades更好吗？
不是必需的，cascade.detectMultiScale有PARAMS调整各种输入宽度，高度情景，像minSize和maxSize，这些都是可选PARAMS不过，但是你可以调整这些获得强大的预测，如果你有控制输入图片大小。如果您将minSize设置为较小的值并忽略maxSize，那么它对较小和高分辨率的图像也适用，但性能会受到影响。此外，如果现在想象一下，如何在高分辨率和低分辨率图像之间没有差异，那么您应该考虑内部缩放图像以降低分辨率以提高性能，这就是为什么定义maxSize和minSize对于避免任何不必要的迭代。
我是否必须以一定的比例捕捉视频帧？例如 （100像素X100px）
这主要取决于你传递给cascade.detectMultiScale的PARAMS。我个人认为100 x 100对于较小的人脸检测来说太小了，因为在将框架调整到较小的尺寸时某些功能会完全丢失，并且cascade.detectMultiScale高度依赖于输入图像中的渐变或特征。
但是，如果输入框架只有脸部作为主要部分，并且没有其他较小的面部悬在后面，那么您可以使用100 X 100。我已经测试了一些尺寸为100 x 100的样本面，效果很好。如果情况并非如此，那么300 - 400像素宽度应该很好。但是，您需要调整参数才能达到准确性。
Do Haar-Cascades在灰度图像中的工作更好吗？
它们只能在灰度图像中工作。
在article如果你读了第一部分，你会发现它的面部检测包括检测图像中的许多二进制模式，这基本上来自ViolaJones，这是该算法的基本原理。
不同的照明条件有什么不同？
可能在某些情况下，主要是哈尔特征是光照不变的。
如果你正在考虑不同照明条件为采取下绿光或红光的图像，那么其可能不会影响检测，哈尔-特征（因为依赖于灰度）是独立于输入的RGB颜色的图片。检测主要取决于输入图像中的梯度/特征。因此，只要输入图像中存在足够的梯度差异，例如眼眉的强度低于前额等，它就可以正常工作。
但是，考虑输入图像具有背光或环境光很弱的情况，在这种情况下，可能会发现某些突出的特征未找到，这可能导致未检测到面部。
detectMultiScale（params）方法的确切做法是什么？
我想，如果您已阅读article，那么您现在一定知道这一点。
如果我想去的眨眼进一步分析，眼睛闭合 时间，嘴打哈欠，点头和头部方向来检测 疲劳（嗜睡）通过使用支持向量机，有何意见？
不，我不会建议你用SVM执行这些类型的手势检测的，因为这将是运行10个不同的级联结束当前的面部状态非常慢，但是我会建议你使用一些面部Landmark Detection Framework，例如Dlib，您也可以搜索其他一些框架，因为dlib的模型大小将近100MB，如果您想将它移植到移动设备上，它可能不适合您的需要。所以关键是**面部标记检测**，一旦你得到全脸标记，你可以得出结论，如口如果打开或眼睛闪烁，并且它在实时工作，所以你的视频处理赢得'受到很大的影响。