人脸检测
来源:互联网 发布:dota2公开天梯数据 编辑:程序博客网 时间:2024/05/15 08:39
Harr特征级联表
OpenCV在物体检测上使用的是haar特征的级联表,这个级联表中包含的是boost的分类器。首先,人们采用样本的haar特征进行分类器的训练,从而得到一个级联的boost分类器。训练的方式包含两方面:
1. 正例样本,即待检测目标样本
2. 反例样本,其他任意的图片
首先将这些图片统一成相同的尺寸,这个过程被称为归一化,然后进行统计。一旦分类器建立完成,就可以用来检测输入图片中的感兴趣区域的检测了,一般来说,输入的图片会大于样本,那样,需要移动搜索窗口,为了检索出不同大小的目标,分类器可以按比例的改变自己的尺寸,这样可能要对输入图片进行多次的扫描。
什么是级联的分类器呢?级联分类器是由若干个简单分类器级联成的一个大的分类器,被检测的窗口依次通过每一个分类器,可以通过所有分类器的窗口即可判定为目标区域。同时,为了考虑效率问题,可以将最严格的分类器放在整个级联分类器的最顶端,那样可以减少匹配次数。
基础分类器以haar特征为输入,以0/1为输出,0表示未匹配,1表示匹配。
Haar特征
- 边界特征,包含四种
- 线性特征,包含8种
- 中心围绕特征,包含两种
在扫描待检测图片的时候,以边界特征中的(a)为例,正如前面提到的那样,计算机中的图片是一个数字组成的矩阵,程序先计算整个窗口中的灰度值x,然后计算矩形框中的黑色灰度值y,然后计算(x-2y)的值,得到的数值与x做比较,如果这个比值在某一个范围内,则表示待检测图片的当前扫描区域符合边界特征(a),然后继续扫描。
关于这个算法的更详细描述已经超出了本文的范围,可以在参考资源中获得更多的信息。
非固定大小目标检测
因为是基于视频流的目标检测,我们事先不太可能知道要检测的目标的大小,这就要求我们的级联表中的分类器具有按比例增大(或者缩小)的能力,这样,当小的窗口移动完整个待检测图片没有发现目标时,我们可以调整分类器的大小,然后继续检测,直到检测到目标或者窗口与待检测图片的大小相当为止。
步骤一:图片预处理
在从摄像头中获得一个帧(一张图片)后,我们需要先对这张图片进行一些预处理:
- 将图片从RGB模式转为灰度图将灰度图
- 进行灰度图直方图均衡化操作
这两个步骤在OpenCV中是非常简单的:
- image_size = cv.cvGetSize(image)#获取原始图像尺寸
- grayscale = cv.cvCreateImage(image_size, 8, 1)# 建立一个空的灰度图
- cv.cvCvtColor(image, grayscale, cv.CV_BGR2GRAY)#转换
- storage = cv.cvCreateMemStorage(0)#新建一块存储区,以备后用
- cv.cvClearMemStorage(storage)
- cv.cvEqualizeHist(grayscale, grayscale)# 灰度图直方图均衡化
步骤二:检测并标记目标
OpenCV中,对于人脸检测的模型已经建立为一个XML文件,其中包含了上面提到的harr特征的分类器的训练结果,我们可以通过加载这个文件而省略掉自己建立级联表的过程。有了级联表,我们只需要将待检测图片和级联表一同传递给OpenCV的目标检测算法即可得到一个检测到的人脸的集合。
- # detect objects
- cascade = cv.cvLoadHaarClassifierCascade('haarcascade_frontalface_alt.xml',
- cv.cvSize(1,1))
- faces = cv.cvHaarDetectObjects(grayscale, cascade, storage, 1.2, 2,
- cv.CV_HAAR_DO_CANNY_PRUNING,
- cv.cvSize(50, 50))#设置最小的人脸为50*50像素
- if faces:
- print 'face detected here', cv.cvGetSize(grayscale)
- for i in faces:
- cv.cvRectangle(image, cv.cvPoint( int(i.x), int(i.y)),
- cv.cvPoint(int(i.x + i.width), int(i.y + i.height)),
- cv.CV_RGB(0, 255, 0), 1, 8, 0)#画一个绿色的矩形框
步骤三:用highgui画出视频窗口
- highgui.cvNamedWindow ('camera', highgui.CV_WINDOW_AUTOSIZE)
- highgui.cvMoveWindow ('camera', 50, 50)
- highgui.cvShowImage('camera', detimg)
可以看到,OpenCV的API相当清晰,使用Python的包装,可以使得代码非常小。好了,我们可以看看程序的运行结果:
由于视频流是动态的,所以我们可以在程序的入口中使用一个无限循环,在循环中,每次从视频中读入一个帧,将这个帧传输给人脸检测模块,检测模块在这个帧上进行标记(如果有人脸的话),然后返回这个帧,主程序拿到这个帧后,更新显示窗口。
opencv的其他特性
拉普拉斯边缘检测
- def laplaceTransform(image):
- laplace = None
- colorlaplace = None
- planes = [None, None, None]
- image_size = cv.cvGetSize(image)
- if not laplace:
- for i in range(len(planes)):
- planes[i] = cv.cvCreateImage(image_size, 8, 1)
- laplace = cv.cvCreateImage(image_size, cv.IPL_DEPTH_16S, 1)
- colorlaplace = cv.cvCreateImage(image_size, 8, 3)
- cv.cvSplit(image, planes[0], planes[1], planes[2], None)
- for plane in planes:
- cv.cvLaplace(plane, laplace, 3)
- cv.cvConvertScaleAbs(laplace, plane, 1, 0)
- cv.cvMerge(planes[0], planes[1], planes[2], None, colorlaplace)
- colorlaplace.origin = image.origin
- return colorlaplace
效果图:
CVtypes中自带了一个关于图像色彩空间的直方图的例子:
结束语
OpenCV的功能十分强大,而且提供了大量的算法实现,文中涉及到的内容只是计算机视觉中很小的一部分。读者可以考虑将采集到的人脸进行标识,从而实现特定人的人脸识别。或者考虑将人脸检测移植到网络上,从而实现远程监控。试想一下,原来没有生命的机器,我们可以通过自己的思想,动作来使得它们看起来像是有思想一样,这件事本身就非常的有趣。
- 人脸检测的harr检测函数
- 人脸检测or五官检测
- OpenCV:人脸检测和行人检测
- 目标检测之人脸检测
- 人脸识别--活体检测(眨眼检测)
- Adaboost 人脸检测
- 人脸检测技术
- 人脸检测
- 人脸检测
- 人脸器官检测
- opencv 检测人脸
- adaboost人脸检测
- 人脸检测
- HARR人脸检测
- opencv检测人脸
- 人脸检测
- 人脸检测 opencv
- javacv 人脸检测
- POJ 2810 Take Your Vitamins 笔记
- BZOJ 3673 可持久化并查集 by zky
- java8 时间与日期api的总结与实例
- markdown范本
- 区块链开发专题(数字货币矿池挖矿如何挖)
- 人脸检测
- NOIP 2011 Senior 5
- Sift中尺度空间、高斯金字塔、差分金字塔(DOG金字塔)、图像金字塔
- 解决问题:安装Ubuntu时卡在安装界面或者安装时死机或者安装失败
- javascript学习(五)— Map和Set
- 人物介绍(一)
- Linux 内存,cpu,io等信息的查看
- OpenCV-形态学处理-morphologyEx
- 学习Javascript闭包(Closure)