OpenCV---人臉檢測

 一：相關依賴文件下載

https://github.com/opencv/opencv

  

 二：實現步驟（圖片檢測）

（一）讀取圖片

image= cv.imread("./d.png")  #讀取圖片

 （二）灰度轉換

gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) #在灰度圖像基礎上實現的

（三）獲取人臉識別訓練數據

face_detector = cv.CascadeClassifier("./haarcascade_frontalface_alt_tree.xml")  #級聯檢測器獲取文件

這個xml文件，就是opencv在GitHub上共享出來的具有普適的訓練好的數據。我們可以直接的拿來使用

（四）探測人臉，獲取相關數據

faces = face_detector.detectMultiScale(gray,1.1,2)

#第一個參數是灰度圖像
#第二個參數是尺度變換，就是向上或者向下每次是原來的多少倍，這里是1.02倍
#第三個參數是人臉檢測次數，設置越高，誤檢率越低，但是對於迷糊圖片，我們設置越高，越不易檢測出來，要適當降低

 （五）根據相關數據在原圖像上畫出人臉位置

    for x,y,w,h in faces:
        cv.rectangle(image,(x,y),(x+w,y+h),(0,0,255),2)
    cv.imshow("face_detection",image)

（六）全部代碼

import cv2 as cv
import numpy as np

def face_detect_demo(image):
    gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) #在灰度圖像基礎上實現的
    face_detector = cv.CascadeClassifier("./haarcascade_frontalface_alt_tree.xml")  #級聯檢測器獲取文件
    faces = face_detector.detectMultiScale(gray,1.1,2)    #在多個尺度空間上進行人臉檢測
    #第一個參數是灰度圖像
    #第二個參數是尺度變換，就是向上或者向下每次是原來的多少倍，這里是1.02倍
    #第三個參數是人臉檢測次數，設置越高，誤檢率越低，但是對於迷糊圖片，我們設置越高，越不易檢測出來，要試單降低
    for x,y,w,h in faces:
        cv.rectangle(image,(x,y),(x+w,y+h),(0,0,255),2)
    cv.imshow("face_detection",image)



src = cv.imread("./d.png")  #讀取圖片
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)    #創建GUI窗口,形式為自適應
cv.imshow("input image",src)    #通過名字將圖像和窗口聯系

face_detect_demo(src)

cv.waitKey(0)   #等待用戶操作，里面等待參數是毫秒，我們填寫0，代表是永遠，等待用戶操作
cv.destroyAllWindows()  #銷毀所有窗口

三：實現視頻檢測人臉

步驟相同，我們只需要將視頻中每一幀圖像進行處理，調用上面的圖像人臉檢測即可

import cv2 as cv
import numpy as np

def face_detect_demo(image):
    gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) #在灰度圖像基礎上實現的
    face_detector = cv.CascadeClassifier("./haarcascade_frontalface_default.xml")  #級聯檢測器獲取文件
    faces = face_detector.detectMultiScale(gray,1.1,2)    #在多個尺度空間上進行人臉檢測
    #第一個參數是灰度圖像
    #第二個參數是尺度變換，就是向上或者向下每次是原來的多少倍，這里是1.02倍
    #第三個參數是人臉檢測次數，設置越高，誤檢率越低，但是對於迷糊圖片，我們設置越高，越不易檢測出來，要試單降低
    for x,y,w,h in faces:
        cv.rectangle(image,(x,y),(x+w,y+h),(0,0,255),2)
    cv.imshow("face_detection",image)

def video_face_detect():
    capture = cv.VideoCapture(0)
    while True:
        ret,frame = capture.read()  #frame是每一幀圖像，ret是返回值，為0是表示圖像讀取完畢
        frame = cv.flip(frame,1)
        if ret == False:
            break
        face_detect_demo(frame)
        c = cv.waitKey(10)
        if c == 27:
            break

video_face_detect()

cv.waitKey(0)   #等待用戶操作，里面等待參數是毫秒，我們填寫0，代表是永遠，等待用戶操作
cv.destroyAllWindows()  #銷毀所有窗口

相關知識補充：

（一）CascadeClassifier級聯分類器

是Opencv中做人臉檢測的時候的一個級聯分類器
有兩種選擇：一是使用老版本的CvHaarClassifierCascade函數，一是使用新版本的CascadeClassifier類。
老版本的分類器只支持類Haar特征，而新版本的分類器既可以使用Haar，也可以使用LBP特征。

基本原理

xml中存放的是訓練后的特征池，特征size大小根據訓練時的參數而定，檢測的時候可以簡單理解為就是將每個固定size特征（檢測窗口）與輸入圖像的同樣大小區域比較，如果匹配那么就記錄這個矩形區域的位置，然后滑動窗口，檢測圖像的另一個區域，重復操作。

由於輸入的圖像中特征大小不定，比如在輸入圖像中眼睛是50x50的區域，而訓練時的是25x25，那么只有當輸入圖像縮小到一半的時候，才能匹配上，所以這里還有一個逐步縮小圖像，也就是制作圖像金字塔的流程。

cascPath = "./haarcascade_frontalface_default.xml"
cv2.CascadeClassifier(cascPath)　　#構造方法加載入xml特征文件

detectMultiScale方法

faces = faceCascade.detectMultiScale(gray,1.1,2,30)

def detectMultiScale(self, image, scaleFactor=None, minNeighbors=None, flags=None, minSize=None, maxSize=None): # real signature unknown; restored from __doc__

#第一個參數image：是灰度圖像
#第二個參數scaleFactor：是尺度變換，就是向上或者向下每次是原來的多少倍，這里是1.02倍
#第三個參數minNeighbors：是人臉檢測次數，設置越高，誤檢率越低，但是對於迷糊圖片，我們設置越高，越不易檢測出來，要適當降低
#第四個參數flags：
　　CASCADE_DO_CANNY_PRUNING=1, 利用canny邊緣檢測來排除一些邊緣很少或者很多的圖像區域 
　　CASCADE_SCALE_IMAGE=2, 正常比例檢測 CASCADE_FIND_BIGGEST_OBJECT=4, 只檢測最大的物體 
　　CASCADE_DO_ROUGH_SEARCH=8 初略的檢測
#最后兩個參數用來限制得到的目標區域的范圍

注意：

flags對於新的分類器沒有用

 設置minNeighbors：是在人臉附近進行指定次數的檢測，獲取最准確的范圍，設置越高，誤檢率越低，但是對於迷糊圖片，我們設置越高，越不易檢測出來，要適當降低