Haar级联:
Haar特征:边缘特征,线性特征,中心环绕特征,对角线特征
这些特征组合为特征模板,特征模板里有白色和黑色矩形,模板特征即为白色矩形像素和减去黑色矩形像素和。
Haar 特征的提取简单说就是通过不断改变模版的大小、位置和类型,白色矩形区域像素和‘减 去’黑色矩形区域像素和,以得到每种类型模版的大量子特征。
Haar特征提取需要大量重复计算各个像素,因此使用积分图可以很好减少计算量。积分图将图像以线性时间初始化(仅第二次遍历图像时),并可以通过矩形区域 四个角的值,提供像素的总和
在此例中,如要知道ABCD面积,只需要将左上角作为基准,计算以下四部分面积,最后图3 - 图1 - 图2 - 图4即为ABCD面积
Haar 级联是一个基于 Haar 特征的级联分类器,级联分类器把弱分类器转换为强分类器
人脸识别流程:
人脸检测,图像采集:
加载人脸检测器
图像预处理(灰度化,直方图均衡化)
detectMultiscal识别
rectangle函数绘制矩形框
在原图截取人脸图像
人脸识别:
样本归一化
加载训练好的分类器
预测输入图像值
判断角色
人脸数据采集程序
注:单纯安装opencv-python没有包含人脸识别所使用函数,因为人脸识别函数还属于opencv测试版内容,稳定性还无法保证,因此没有放在常规发行版。要安装opencv-contrib-python
pip install opencv-contrib-python -i https://mirrors.aliyun.com/pypi/simple/
import cv2
import numpy as np
import os
def generate_img(dirname):
face_cascade = cv2.CascadeClassifier('D:\\opencv\\data\\haarcascades\\haarcascade_frontalface_default.xml')
if (not os.path.isdir(dirname)):
os.makedirs(dirname)
cap = cv2.VideoCapture(0)
count = 0
while True:
ret,frame = cap.read()
x,y = frame.shape[0:2]
small_frame = cv2.resize(frame, (int(y/2), int(x/2)))
result = small_frame.copy()
gray = cv2.cvtColor(small_frame, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray,1.3,5)
for (x, y, w, h) in faces:
result = cv2.rectangle(result, (x, y), (x + w, y + h), (255, 0, 0), 2)
f = cv2.resize(gray[y: y + h, x: x + w], (200, 200))
if count < 20:
cv2.imwrite(dirname + '%s.pgm' % str(count), f)
<