人脸检测中滑动窗口与候选框筛选机制

先固定检测目标：步长决定“漏不漏位置”

人脸打码的第一步不是模糊，而是得到足够完整的人脸框。传统滑动窗口会在图像上逐点取出固定大小的区域，再交给分类器判断；后续的置信度筛选和非极大值抑制（NMS）则负责减少误检与重复框。

窗口位置由左上角坐标、宽度和高度决定。假设窗口宽度为 w、高度为 h，水平方向步长为 s，那么相邻窗口的左边界相差 s 个像素。s=4 比 s=12 扫描得更密，但候选位置也会增加；步长本身不能解决人脸尺寸不匹配的问题。

• 小步长：适合小脸、边缘脸或漏检代价较高的打码任务。代价是扫描次数上升。
• 大步长：适合实时性优先的场景，但窗口间空隙可能让边界位置的人脸没有被充分覆盖。
• 扫描结果：每个窗口只是候选区域，不等于已经确认的人脸。
• 打码方式：OpenCV 可用 GaussianBlur 做高斯模糊，也可缩小区域后放大实现像素化。

只用一个窗口尺寸时，近处的大脸可能超出分类器的有效范围，远处的小脸又可能只占窗口的一小部分。因此要在多个尺度重复扫描：步长回答“这一层在哪些位置找”，尺度参数回答“这一层寻找多大的脸”。

用尺度因子覆盖大小变化，再用 minSize 排除过小目标

多尺度搜索通常有两条路径：缩放输入图像，或改变检测窗口的相对尺寸。OpenCV 的 Haar 级联检测会结合图像缩放与窗口扫描，实际搜索层数和可检测范围取决于 OpenCV 版本、分类器文件以及输入分辨率。

在 cv2.CascadeClassifier.detectMultiScale 中，scaleFactor=1.1 表示相邻尺度按约 1.1 倍递进，也就是尺度间隔约 10%。改成 1.2 后层数通常会减少，但两个尺度之间的空档更大；这不是“准确率固定下降 10%”，结果仍取决于分类器和图像内容。

• 尺度因子 1.05～1.1：适合漏检代价高、允许增加计算量的离线处理。
• 尺度因子 1.15～1.2：适合先做速度测试的实时或批处理场景，发现小脸漏检时再缩小该值。
• minSize：设定候选人脸的最小宽、高。例如 minSize=(24,24) 会排除更小的候选，但不应把它当作通用的人脸尺寸下限。
• 输入分辨率：如果视频帧被缩到 320×180，小脸可能在进入检测器前就只剩十几个像素；此时单纯调阈值通常无济于事。

一个可执行的调参顺序是：先查看目标人脸在输入帧中的像素宽度，再设置 minSize。若最小目标约为 30 像素，可先把 minSize 设在 20～24 像素范围，保留一定余量；如果误检太多，再逐步提高，而不是一开始就设成 40 或 50。

先筛低分候选，再区分 NMS 与 minNeighbors

检测器输出的“分数”不是统一单位。神经网络模型常用概率或分类得分，Haar 级联常通过邻近检测结果数量辅助判断；因此不能把某个模型里的 0.8 当成所有检测器的通用阈值。

OpenCV Haar 级联中的 minNeighbors 要求候选附近存在一定数量的支持结果。它通常用于抑制孤立误检，不等同于神经网络中的置信度阈值。数值增大，结果往往更保守；数值减小，可能保留更多侧脸、遮挡脸，也会带来更多误检。

• 漏检侧脸或低清晰度人脸：先尝试降低 minNeighbors，例如从 5 调到 3，再检查误检是否可接受。
• 误检明显：可从 5 调到 6～8，但这些范围只是起始实验值，不能替代验证集测试。
• 误把背景当脸：检查图像对比度、分类器文件和输入尺寸，不要只提高一个阈值。

筛选和 NMS 处理的是两件事。前者删除“分数或支持不足”的候选，后者删除“与高分框重叠过多”的候选；一个高分框仍可能只是同一张脸的多个重复结果之一。

用 IoU 阈值去重，并为打码框留出边距

非极大值抑制（Non-Maximum Suppression，NMS）会按分数排序，保留最高分框，再删除与它重叠过多的框。重叠程度用交并比（IoU）表示：IoU = 交集面积 ÷ 并集面积，取值范围为 0 到 1。

1. 按分数从高到低排列候选框。
2. 保留当前最高分框。
3. 计算它与剩余框的 IoU。
4. 删除 IoU 高于设定阈值的框。
5. 重复处理，直到候选框为空。

例如两个框的 IoU 为 0.7，NMS 阈值设为 0.5 时，低分框会被删除；阈值设为 0.8 时，它可能继续保留。阈值没有脱离数据集的固定答案：相邻人脸很近时，过低的阈值可能误删其中一张；同一张脸重复框很多时，过高的阈值又会留下多个框。

打码任务可以按下面的流程落地：

1. 将输入帧缩放到检测器可承受的尺寸，记录缩放比例，避免把小脸压到十几个像素。
2. 先用 scaleFactor=1.1、minNeighbors=5 做基线，再根据漏检或误检调整一个参数。
3. 设置 minSize 时，取目标最小脸宽的约 70%～80% 作为起始参考，并用实际画面验证。
4. 对候选框执行 NMS；若相邻人脸经常被合并，降低 NMS 的重叠判定强度，或改用按中心距离辅助分组。
5. 最终打码框按宽度、高度各扩展约 5%～15%，同时裁剪到图像边界内，再执行模糊或像素化。

排查时可按现象定位：重复框先查 NMS，过小人脸先查输入分辨率和 minSize，侧脸漏检先查 minNeighbors 与分类器类型，边缘未覆盖则检查最终框是否留出边距。这样调参有明确方向，避免把步长、尺度因子和 NMS 阈值混成一个“准确率开关”。