智能圖像處理：Python和OpenCV實(shí)現(xiàn)-課件 13.2 人臉檢測(cè)

13.2人臉檢測(cè)目錄13.2.1人臉檢測(cè)簡(jiǎn)介13.2.2圖像預(yù)處理13.2.3Haar特征分類器13.2.4人臉檢測(cè)程序人臉檢測(cè)

人臉檢測(cè)與識(shí)別，是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。用攝像機(jī)或相機(jī)采集含有人臉的視頻流或圖像，并自動(dòng)在圖像中檢測(cè)和跟蹤人臉，進(jìn)而對(duì)檢測(cè)到的人臉進(jìn)行臉部識(shí)別的一系列相關(guān)技術(shù)，通常也叫做人像識(shí)別、面部識(shí)別。13.2.1人臉檢測(cè)簡(jiǎn)介1.加載分類器，找到分類器的位置，如*\opencv\sources\data\haarcascades（harr分類器）。2.調(diào)用detectMultiScale()函數(shù)進(jìn)行檢測(cè)，調(diào)整函數(shù)的參數(shù)可以使檢測(cè)結(jié)果更加精確。3.

把檢測(cè)到的人臉等用矩形（或者圓形等其他圖形）標(biāo)記出來。13.2.1人臉檢測(cè)簡(jiǎn)介

調(diào)用OpenCV訓(xùn)練好的分類器和自帶的檢測(cè)函數(shù)檢測(cè)人臉、人眼等的步驟如下：010302

圖像預(yù)處理，先把圖像轉(zhuǎn)化為灰度圖像。使用的OpenCV函數(shù)是：gray=cv2.cvtColor(image,cv.COLOR_BGR2GRAY)這樣的轉(zhuǎn)化可能會(huì)造成圖像的灰度值分布不均勻，通常認(rèn)為，對(duì)所有可用像素強(qiáng)度值都均衡使用，才是一副高質(zhì)量的圖像。所以我們需要讓圖像的灰度直方圖盡可能的平穩(wěn)，OpenCV提供了一個(gè)簡(jiǎn)單好用的均衡化函數(shù)。提高對(duì)比度和增加亮度使用的OpenCV函數(shù)是new_img=cv2.addWeighted(img,c,new_img,1-c,b)

其中c是對(duì)比度倍數(shù)，b是亮度增加數(shù)。13.2.2圖像預(yù)處理cv2.equalizeHist(gray,gray)直方圖均衡化是通過拉伸像素強(qiáng)度分布范圍來增強(qiáng)圖像對(duì)比度的一種方法，在一個(gè)完全均衡化的直方圖中，圖像中所包含的像素?cái)?shù)量是相等的①Haar特征是浮點(diǎn)數(shù)計(jì)算，LBP特征是整數(shù)計(jì)算；②LBP訓(xùn)練需要的樣本數(shù)量比Haar大；③LBP的速度一般比Haar快；④同樣的樣本Haar訓(xùn)練出來的檢測(cè)結(jié)果要比LBP準(zhǔn)確；13.2.3Haar特征分類器利用OpenCV自帶的xml文件，可以實(shí)時(shí)檢測(cè)攝像頭中人臉Haar特征或LBP特征，它們描述不同的局部信息，Haar描述的是圖像在局部范圍內(nèi)像素值明暗變換信息，LBP描述的是圖像在局部范圍內(nèi)對(duì)應(yīng)的紋理信息，Haar與LBP區(qū)別：⑤擴(kuò)大LBP的樣本數(shù)據(jù)可達(dá)到Haar的訓(xùn)練效果13.2.3Haar特征分類器Haar特征分類器是一個(gè)xml文件，文件描述了檢測(cè)物體的Haar特征值，Haar分類器需要通過大量的數(shù)據(jù)來訓(xùn)練。Haar特征包括三類特征：邊緣特征、線性特征、中心特征和對(duì)角線特征，組合成特征模板。特征模板內(nèi)有白色和黑色兩種矩形，并定義該模板的特征值為白色矩形像素和減去黑色矩形像素和。Haar特征值反映了圖像的灰度變化情況，如臉部的一些特征能由矩形特征簡(jiǎn)單的描述，如：眼睛要比臉頰顏色要深，鼻梁兩側(cè)比鼻梁顏色要深，嘴巴比周圍顏色要深等。但矩形特征只對(duì)一些簡(jiǎn)單的圖形結(jié)構(gòu)，如邊緣、線段較敏感，所以只能描述特定走向（水平、垂直、對(duì)角）的結(jié)構(gòu)。13.2.4人臉檢測(cè)程序?qū)D像進(jìn)行人臉特征矩形檢測(cè)，符合人臉特征的區(qū)域會(huì)被認(rèn)定為人臉。在開始人臉檢測(cè)時(shí)，需要加載Haar分類器。循環(huán)讀取人臉的矩形對(duì)象列表，獲得人臉矩形的坐標(biāo)和寬高，然后在原圖像中畫出該矩形框，調(diào)用的是OpenCV的rectangle方法，其中矩形框的顏色等是可調(diào)整的，putText函數(shù)是在圖像上加文字信息（如文字、位置、字體、大小、顏色、粗細(xì)等）。在人臉檢測(cè)中用到的檢測(cè)函數(shù)是detectMultiScale()，它可以檢測(cè)出圖像中所有的人臉，并將人臉用向量保存各個(gè)人臉的坐標(biāo)、大?。ㄓ镁匦伪硎荆?，其語法格式為：objects=cv2.CascadeClassifier.detectMultiScale(image[,scaleFactor[,minNeighbors[,flags[,minSize[,maxSize]]]]])13.2.4人臉檢測(cè)程序其中輸入輸出參數(shù)如下：objects：表示被檢測(cè)物體的矩形框向量組；image：表示的是要檢測(cè)的輸入圖像，一般為灰度圖像，加快檢測(cè)速度；scaleFactor：表示在前后兩次相繼的掃描中，搜索窗口的比例系數(shù)。默認(rèn)為1.1即每次搜索窗口依次擴(kuò)大10%；minNeighbors：表示構(gòu)成檢測(cè)目標(biāo)的相鄰矩形的最小個(gè)數(shù)(默認(rèn)為3個(gè))。如果組成檢測(cè)目標(biāo)的小矩形的個(gè)數(shù)和小于min_neighbors-1都會(huì)被排除。如果min_neighbors為0，則函數(shù)不做任何操作就返回所有的被檢候選矩形框，這種設(shè)定值一般用在用戶自定義對(duì)檢測(cè)結(jié)果的組合程序上；flags：使用默認(rèn)值，或使用CV_HAAR_DO_CANNY_PRUNING。如果設(shè)置為CV_HAAR_DO_CANNY_PRUNING，那么函數(shù)將會(huì)使用Canny邊緣檢測(cè)來排除邊緣過多或過少的區(qū)域，這些區(qū)域通常不會(huì)是人臉?biāo)趨^(qū)域；minSize為目標(biāo)的最小尺寸，用來限制得到的目標(biāo)區(qū)域的范圍；minSize為目標(biāo)的最大尺寸，用來限制得到的目標(biāo)區(qū)域的范圍。13.2.4人臉檢測(cè)程序使用haar分類器對(duì)人臉進(jìn)行檢測(cè)，并檢測(cè)出眼睛和是否微笑。程序代碼如下：importcv2facehaar='C:/ProgramData/anaconda3/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml'eyehaar='C:/ProgramData/anaconda3/Lib/site-packages/cv2/data/haarcascade_eye.xml'smilehaar='C:/ProgramData/anaconda3/Lib/site-packages/cv2/data/haarcascade_smile.xml'

face_detector=cv2.CascadeClassifier(facehaar)#人臉分類器eye_detector=cv2.CascadeClassifier(eyehaar)#眼睛分類器smile_detector=cv2.CascadeClassifier(smilehaar)#微笑分類器

image=cv2.imread('d:/pics/face_smile1.jpg')gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)cv2.equalizeHist(gray,gray)cv2.imshow("Origin_img",image)faces=face_detector.detectMultiScale(gray,1.15,5)print("face",faces)13.2.4人臉檢測(cè)程序forx,y,w,hinfaces:cv2.rectangle(image,(x,y),(x+w,y+h),(0,0,255),2)cv2.imshow("face_rect",image)#把臉單獨(dú)拿出來檢測(cè)臉face_img=gray[y:y+h,x:w+x]cv2.imshow("face_img",face_img)eyes=eye_detector.detectMultiScale(face_img,1.3,5,0,(40,40))forex,ey,ew,ehineyes:cv2.rectangle(image,(x+ex,y+ey),(x+ex+ew,y+ey+eh),(255,0,0),2)#cv2.imshow("eyes_rect",image)smile=smile_detector.detectMultiScale(face_img,1.16,25,0,(25,25))if(len(smile)>=0):print("檢測(cè)到微笑")cv2.putText(image,'Smile',(x,y-20),3,1.3,(0,255,0),2)

cv