网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
Scalar(0,255,0),2,8//颜色 像素位
);
}
imshow("frame",frame);
### 人脸识别案例 源码分享
#include
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;
//人脸识别
void datectFace(Mat &frame,CascadeClassifier cascade,double scale)
{
//灰度化处理 节省内存
Mat gray;
cvtColor(frame,gray,CV_RGB2GRAY);
//级联分类器比帧差法还更慢,因此,需要再将灰度图大小压缩一半左右 行列压缩
Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);
//按存储大小计算 压缩方式采用线性压缩
resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);
//直方图均值化 让灰度图经过直方图函数处理 黑白分明
equalizeHist(smalling,smalling);
//imshow("smalling",smalling);
//调用级联分类器进行模型匹配并进行框选识别 使用模型去进行每一个像素点的遍历
vector<Rect>faces;
//使用CV_HAAR_SCALE_IMAGE算法 图像甄别
cascade.detectMultiScale(smalling,faces,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));
//绘制矩形
vector<Rect>::const_iterator iter;
//使用到容器迭代器进行遍历
for(iter=faces.begin();iter!=faces.end();iter++)
{
rectangle(frame,
cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),//左上
cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),//右下
Scalar(0,255,0),2,8//颜色 像素位
);
}
imshow("frame",frame);
}
int main(int argc, char *argv[])
{
//级联分类器对象
CascadeClassifier cascade;
//读取级联分类器
cascade.load(“D:/00000cars-face/face.xml”);
Mat frame;
//视频路径的获取
VideoCapture cap(0);
while (cap.read(frame))
{
//将读到的帧进行显示
imshow("frame",frame);
//检测识别 图像 级联分类器 比例
datectFace(frame,cascade,2);
waitKey(3);
}
return 0;
}
### 结果测试:可对人脸框选识别
![](https://img-blog.csdnimg.cn/1acb3565992a4462b3fb4bfe0758e44c.png)
## 三:车辆识别案例 级联分类器 具体实现
>
> 如果对于上述的人脸识别案例 理解透彻 那么车辆识别也是一样的实现方法 只不过就是换了一个级联分类器 图像数据读取 罢了。
>
>
>
>
> 这边就直接给出 车辆识别案例 完整代码
>
>
>
#include
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;
//车辆识别案例
void datectCarDaw(Mat &frame,CascadeClassifier cascade,double scale)
{
//灰度化处理 节省内存
Mat gray;
cvtColor(frame,gray,CV_RGB2GRAY);
//级联分类器比帧差法还更慢,因此,需要再将灰度图大小压缩一半左右 行列压缩
Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);
//按存储大小计算 压缩方式采用线性压缩
resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);
//直方图均值化 让灰度图经过直方图函数处理 黑白分明
equalizeHist(smalling,smalling);
//imshow("smalling",smalling);
//调用级联分类器进行模型匹配并进行框选识别 使用模型去进行每一个像素点的遍历
vector<Rect>cars;
//使用CV_HAAR_SCALE_IMAGE算法 图像甄别
cascade.detectMultiScale(smalling,cars,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));
//绘制矩形
vector<Rect>::const_iterator iter;
//使用到容器迭代器进行遍历
for(iter=cars.begin();iter!=cars.end();iter++)
{
rectangle(frame,
cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),//左上
cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),//右下
Scalar(0,255,0),2,8//颜色 像素位
);
}
imshow("frame",frame);
}
int main(int argc, char *argv[])
{
//级联分类器对象
CascadeClassifier cascade;
//读取级联分类器
cascade.load(“D:/00000cars-face/cars.xml”);
Mat frame;
//视频路径的获取
VideoCapture cap("D:/00000000000003jieduanshipincailliao/carMove.mp4");
while (cap.read(frame))
{
//将读到的帧进行显示
imshow("frame",frame);
//检测识别 图像 级联分类器 比例
datectCarDaw(frame,cascade,2);
waitKey(3);
}
return 0;
}
>
> 结果测试:
>
>
>
![](https://img-blog.csdnimg.cn/fa80f00bb3c448dc9fb24b76cf2e5468.png)
>
> 可以看出,图中汽车可以被识别框选,电动车不会被识别框选。
>
>
>
相比博主在上周分享的 帧差法 车辆识别 来看,本次车辆识别的准确度明显提高,因此,这种方法非常值得学习!
![img](https://img-blog.csdnimg.cn/img_convert/f31cf1a1c38e8714cc14c94cc6f901d3.png)
![img](https://img-blog.csdnimg.cn/img_convert/eaab74187dcf6a2d69ac7561c1b7241f.png)
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化的资料的朋友,可以添加戳这里获取](https://bbs.csdn.net/topics/618668825)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**
辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化的资料的朋友,可以添加戳这里获取](https://bbs.csdn.net/topics/618668825)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**