目录
一、什么是人脸笑脸检测
人脸笑脸检测是一种在人脸检测之后进行的特殊检测,旨在识别并定位图像或视频中人物脸部的微笑特征。这种检测通常通过特定的算法来实现,这些算法可以识别出人物脸部的微笑表情,并且对检测出的微笑区域进行专门的自动对焦。人脸笑脸检测的最终结果是框住人物上扬的嘴角,以便更清晰地展示人物的微笑表情。
二、代码解读
1.完整代码
import cv2
faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
smile = cv2.CascadeClassifier('haarcascade_smile.xml')
cap = cv2.VideoCapture(0)
while True:
ret, image = cap.read()
image = cv2.flip(image, 1)
if ret is None:
break
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
faces = faceCascade.detectMultiScale(gray,
scaleFactor=1.1,
minNeighbors=10,
minSize=(10, 10))
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
roi_gray_face = gray[y:y + h, x:x + w]
smiles = smile.detectMultiScale(roi_gray_face,
scaleFactor=1.2,
minNeighbors=20,
minSize=(10, 10))
if len(smiles) > 8:
print(len(smiles))
for (sx, sy, sw, sh) in smiles:
cv2.putText(image, 'smile', (x, y), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1,
(0, 255, 255), thickness=2)
cv2.imshow('dect', image)
key = cv2.waitKey(100)
if key == 27:
break
cap.release()
cv2.destroyWindow()
2.详细代码
1、加载Haar级联分类器:
faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
smile = cv2.CascadeClassifier('haarcascade_smile.xml')
这两行代码加载了两个Haar级联分类器。第一个是用于检测正面的人脸,第二个是用于检测微笑。
2、视频捕获:
cap = cv2.VideoCapture(0)
这行代码打开摄像头进行视频捕获。在这里,参数0表示使用默认的摄像头。
3、循环读取视频帧:
while True:
ret, image = cap.read()
image = cv2.flip(image, 1)
if ret is None:
break
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
这段代码进入一个无限循环,从摄像头捕获视频帧,并且把每一帧都翻转(可能是为了在显示时更好地观察)。当无法从摄像头读取新的帧时(即ret is None
),循环终止。然后,将彩色图像转换为灰度图像,以便进行人脸和微笑检测。
4、人脸检测:
faces = faceCascade.detectMultiScale(gray,
scaleFactor=1.1,
minNeighbors=10,
minSize=(10, 10))
使用faceCascade
分类器进行人脸检测。detectMultiScale
方法接收四个参数:灰度图像、缩放因子、最小邻居数和最小大小。这段代码会检测出所有满足这些条件的人脸。
5、在检测到的人脸上画矩形并检测微笑:
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
roi_gray_face = gray[y:y + h, x:x + w]
smiles = smile.detectMultiScale(roi_gray_face,
scaleFactor=1.2,
minNeighbors=20,
minSize=(10, 10))
这段代码遍历所有检测到的人脸,并在每个脸上画一个矩形。然后,从这个人脸区域中提取ROI(Region of Interest),并使用smile
分类器检测这个ROI中是否有微笑。
6、判断是否有微笑并输出结果:
if len(smiles) > 8:
print(len(smiles))
如果smiles
列表的长度大于8,那么就打印出这个长度。
7、在检测到微笑的区域上画矩形和文本:
for (sx, sy, sw, sh) in smiles:
cv2.putText(image, 'smile', (x, y), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1,
(0, 255, 255), thickness=2)
如果在一个脸上检测到多个微笑,这段代码会在每个微笑的区域上画一个矩形,并在矩形中心添加文本“smile”。
8、显示处理后的图像并等待用户输入:
cv2.imshow('dect', image)
key = cv2.waitKey(100)
if key == 27:
break
使用cv2.imshow
函数显示处理后的图像。cv2.waitKey(100)
使程序等待100毫秒或直到用户按下一个键。如果用户按下ESC键(键码为27),则跳出循环,结束程序。
3.运行结果
一个没有笑脸的人:
一个有笑脸的人:
多个有笑脸的人:
三、总结
人脸笑脸检测通常基于人脸检测的结果,通过分析人脸的纹理特征、形状特征和动态特征等来识别微笑。然而,人脸笑脸检测技术也存在一些挑战和难点。例如,不同人种的微笑特征存在差异,如何提高算法的泛化能力是一个难题;同时,在复杂背景、光照条件、人物姿态等因素的影响下,如何准确地识别微笑也是一个具有挑战性的问题。