python中opencv庫的使用之目標檢測（二）

#course15.py
import numpy as np
import cv2

# multiple cascades: https://github.com/Itseez/opencv/tree/master/data/haarcascades

#https://github.com/Itseez/opencv/blob/master/data/haarcascades/haarcascade_frontalface_default.xml
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
#https://github.com/Itseez/opencv/blob/master/data/haarcascades/haarcascade_eye.xml
eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml')

eyeglasses_cascade = cv2.CascadeClassifier('haarcascade_eye_tree_eyeglasses.xml')

smile_cascade = cv2.CascadeClassifier('haarcascade_smile.xml')

cap = cv2.VideoCapture(0)

while(cap.isOpened()):
    ret, img = cap.read()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray, 1.3, 5)
    smile = smile_cascade.detectMultiScale(gray)
    for (sm_x,sm_y,sm_w,sm_h) in smile:
        cv2.rectangle(gray,(sm_x,sm_y),(sm_x+sm_w,sm_y+sm_h),(0,0,255),2)
        
    for (x,y,w,h) in faces:
        cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
        roi_gray = gray[y:y+h, x:x+w]
        roi_color = img[y:y+h, x:x+w]
        eyes = eye_cascade.detectMultiScale(roi_gray)
        for (ex,ey,ew,eh) in eyes:
            cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
            
            font = cv2.FONT_HERSHEY_SIMPLEX
            cv2.putText(img,'Eye',(ex+x,ey+y), font, 0.5, (11,255,255), 1, cv2.LINE_AA)
        #eyeglasses = eyeglasses_cascade.detectMultiScale(roi_gray)
        #for (e_gx,e_gy,e_gw,e_gh) in eyeglasses:
        #    cv2.rectangle(roi_color,(e_gx,e_gy),(e_gx+e_gw,e_gy+e_gh),(0,0,255),2)
            #roi_gray = gray[ey:ey+eh, ex:ex+ew]#
            #roi_color = img[ey:ey+eh, ex:ex+ew]#

    cv2.imshow('img',img)
    k = cv2.waitKey(30) & 0xff
    #print(k)
    if k == 27:
        break

cap.release()
cv2.destroyAllWindows()
print(smile)

搭建的運行平台見本系列的（一），

以上代碼運用的是Haar級聯分類器的原理，下面是Haar級聯分類器原理的簡單介紹：

Haar分類器是利用圖像中目標的類Haar特征來對目標進行檢測的，而利用積分圖的方法可以加快類Haar特征的值的求解過程。
一個最基本的類Haar特征就是一個最簡陋的弱分類器，而弱分類器優化后稱為優化后的弱分類器。
將多個優化后的弱分類器組合起來便形成了強分類器。（至於如何將若干個優化后的弱分類器組合起來稱為強分類器，用的是Adaboost算法，數學原理看了之后不是很懂，作為一個數學系的學生很慚愧。）
但是單個的強分類器應用在實際的檢測中效果並不好，
於是又有人提出了將若干個強分類器層疊或者稱之為級聯在一起，
這樣就得到了級聯分類器。

檢測效果：（能夠利用攝像頭捕捉形成視頻，對視頻中動態的對人臉、人眼進行檢測，以下是視頻截圖）