关于OpenCV for Python入门-自带人脸检测算法比较

本来学习OpenCV的目的就是为了做人脸识别、车辆识别、人群计数等等,识别人脸首先要进行人脸检测,OpenCV中内置了Haar Cascade人脸分类器,其中包括haarcascade_frontalface_alt、haarcascade_frontalface_alt_tree、haarcascade_frontalface_alt2、haarcascade_frontalface_default这四种,本文不求甚解,只是从比对上判断一下这几种内置分类器的可用性。

比较的依据,一个是下载的ORL人脸数据库,40个人物*10张照片(92*112像素);另一个是从网络上下载的几张集体照。

ORL人脸数据库,每一个目录就是个人物,就是人物标签

7dde89729582972a74f4fd10e4a1dcb1.png

juhui1,1927年在比利时布鲁塞尔召开的第五次索尔维会议,共29个人,黑白照片

045640ed74d5c7a2dd198485e03e97ff.png

juhui2,1924年林徽因等与访问中国的泰戈尔合影,共7个人

155fcc8d89e1e63451c79402403beaaa.png

juhui3,为某一届政协会议,主席台上有19个人

15840ecfef4b6b11338deb2e90236c4f.png

juhui4,仍然是1927年在比利时布鲁塞尔召开的第五次索尔维会议,共29个人,但是是彩色照片

89f7940224f820a0bf7aa1c26a933c10.png

下面的代码是读取摄像头,进行人脸检测

import numpy as np
import cv2
import os

# 定义绿色跟踪框
color = (0, 255, 0)

# 读取当前笔记本摄像头
camera = cv2.VideoCapture(0)
# 判断摄像头是否打开
while camera.isOpened():
    #cap.read()返回两个参数赋给两个值。
    #   第一个参数ret的值为True或False,代表有没有读到图片。
    #   第二个参数是frame,是当前截取一帧的图片
    ret, frame = camera.read()
    if ret:
        # 获取当前帧
        image = frame
        # 进行颜色灰度转换
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        # 加载分类器,opencv自带的分类器,放在C:\Python\Python37\Lib\site-packages\cv2\data目录下,主要包括
        # haarcascade_eye 睁开的眼睛的检测
        # haarcascade_eye_tree_eyeglasses 戴眼镜时睁开的眼睛
        # haarcascade_frontalcatface      正脸检测
        # haarcascade_frontalcatface_extended     正脸检测
        # haarcascade_frontalface_alt     正脸检测
        # haarcascade_frontalface_alt_tree        正脸检测
        # haarcascade_frontalface_alt2    正脸检测
        # haarcascade_frontalface_default 正脸检测
        # haarcascade_fullbody    全身检测
        # haarcascade_lefteye_2splits     检测左眼开或闭合
        # haarcascade_licence_plate_rus_16stages  俄罗斯车牌
        # haarcascade_lowerbody   下肢检测
        # haarcascade_profileface 人脸轮廓检测
        # haarcascade_righteye_2splits    检测右眼开或闭合
        # haarcascade_russian_plate_number        俄罗斯车牌号
        # haarcascade_smile       微笑表情检测
        # haarcascade_upperbody   上半身检测
        classfier = cv2.CascadeClassifier("haarcascade_frontalface_alt2.xml")
        # detectMultiScale函数。可以检测出图片中所有的人脸,并将人脸用vector保存各个人脸的坐标、大小(用矩形表示),函数由分类器对象调用
        # 参数1:image--待检测图片,一般为灰度图像加快检测速度;
        # 参数2:objects--被检测物体的矩形框向量组;
        # 参数3:scaleFactor--表示在前后两次相继的扫描中,搜索窗口的比例系数。默认为1.1即每次搜索窗口依次扩大10%;
        # 参数4:minNeighbors--表示构成检测目标的相邻矩形的最小个数(默认为3个)。
        #         如果组成检测目标的小矩形的个数和小于 min_neighbors - 1 都会被排除。
        #         如果min_neighbors 为 0, 则函数不做任何操作就返回所有的被检候选矩形框,
        #         这种设定值一般用在用户自定义对检测结果的组合程序上;
        # 参数5:flags--要么使用默认值,要么使用CV_HAAR_DO_CANNY_PRUNING,如果设置为
        #         CV_HAAR_DO_CANNY_PRUNING,那么函数将会使用Canny边缘检测来排除边缘过多或过少的区域,
        #         因此这些区域通常不会是人脸所在区域;
        # 参数6、7:minSize和maxSize用来限制得到的目标区域的范围。
        faceRects = classfier.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))
        # 返回识别出来的脸部矩阵的位置数组 [[211 191 266 266] [211 191 266 266] [211 191 266 266]]
        # 如果已识别脸部对象
        if len(faceRects) > 0:
            # 循环输出识别的数组
            for faceRect in faceRects:
                # 获取矩阵的人脸的坐标、大小
                x, y, w, h = faceRect
                # 通过rectangle()在图片上构建矩阵图
                cv2.rectangle(image, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 3)
                # 展示图片
                cv2.imshow("My Capture", image)
        # 按q键退出
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
# 关闭摄像头
camera.release()
# 关闭窗口
cv2.destroyAllWindows()

下面的代码是读取摄像头,进行人脸检测和眼睛检测

import numpy as np
import cv2
import os

# 定义绿色跟踪框
color = (0, 255, 0)
# 正脸检测分类器
face_cascade = cv2.CascadeClassifier('C:\\Python\\Python37\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_alt2.xml')
# 睁开的眼睛的检测分类器,奇怪不加路径会报错
eye_cascade = cv2.CascadeClassifier('C:\\Python\\Python37\\Lib\\site-packages\\cv2\\data\\haarcascade_eye.xml')

# 读取当前笔记本摄像头
camera = cv2.VideoCapture(0 ,cv2.CAP_DSHOW)
# 判断摄像头是否打开
while camera.isOpened():
    ret, frame = camera.read()
    if ret:
        # 获取当前帧
        image = frame
        # 灰度转换
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        # 脸部检测
        faces = face_cascade.detectMultiScale(gray, 1.3, 5)
        # 遍历脸部检测数组
        for (x, y, w, h) in faces:
            # 输出脸部矩阵
            cv2.rectangle(image, (x, y), (x + w, y + h), (255, 0, 0), 2)
            # 在脸部范围内搜索眼睛,一个灰度图(用来识别眼睛),一个颜色图(用来输出眼睛矩阵)
            roi_gray = gray[y:y + h, x:x + w]
            roi_color = image[y:y + h, x:x + w]
            # 进行眼睛检测
            eyes = eye_cascade.detectMultiScale(roi_gray)
            # 在脸部区画眼睛矩阵
            for (ex, ey, ew, eh) in eyes:
               cv2.rectangle(roi_color, (ex, ey), (ex + ew, ey + eh), (0, 255, 0), 2)

            cv2.imshow('img', image)

        # 按q键退出
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
            
# 关闭摄像头
camera.release()
# 关闭窗口
cv2.destroyAllWindows()

用opencv内置分类器对几张聚会照片进行人脸检测。

import numpy as np
import cv2

imgname = 'C:\\Python\\Pycharm\\docxprocess\\picture\\predict\\juhui4.png'
face_cascade = cv2.CascadeClassifier(
    'C:\\Python\\Python37\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_alt.xml')
# face_cascade = cv2.CascadeClassifier('C:\\Python\\Python37\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_alt2.xml')
# face_cascade = cv2.CascadeClassifier('C:\\Python\\Python37\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_alt_tree.xml')
# face_cascade = cv2.CascadeClassifier('C:\\Python\\Python37\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_default.xml')
img = cv2.imread(imgname)
# img = cv2.imread('wukelan.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

比较检测出来的人脸,可以看出haarcascade_frontalface_alt_tree>haarcascade_frontalface_alt>haarcascade_frontalface_default>haarcascade_frontalface_alt2

928c55e78130ec2f97c48281c024c2ce.png

下面是对ORL人脸数据库进行人脸检测。

import cv2
import numpy as np
import os
import shutil

# 载入图像,读取ORL人脸数据库,准备训练数据
def loadimageface(data):
    # 加载图片数据用于训练
    # params:data:训练数据所在的目录,要求图片尺寸一样
    #ret:
    #    images:[m,height,width]  m为样本数,height为高,width为宽
    #    names:名字的集合
    #    labels:标签
    images = []
    names = []
    labels = []
    face_casecade = cv2.CascadeClassifier('C:\\Python\\Python37\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_default.xml')
    # haarcascade_frontalface_alt_tree  21
    # [ 3  9 13 13 13 13 15 17 24 31 33 34 34 34 35 35 36 37 37 37 37]
    # haarcascade_frontalface_alt   222
    # [ 0  0  1  1  1  1  1  1  1  1  1  2  2  2  2  2  2  2  2  3  3  3  3  3
    #   3  3  3  3  3  4  4  4  4  4  5  5  5  5  5  6  6  6  6  6  7  7  7  7
    #   8  8  9  9  9  9  9  9  9  9  9  9 10 10 10 12 12 12 12 12 12 12 12 12
    #  13 13 13 13 13 13 13 13 13 13 14 15 15 15 15 15 15 16 16 16 16 16 17 17
    #  17 17 18 18 18 18 18 18 19 20 20 21 21 21 21 21 21 21 21 22 22 22 22 22
    #  22 23 23 23 23 23 23 23 23 24 24 24 24 24 25 25 26 26 26 26 26 26 26 26
    #  29 29 29 29 29 30 30 30 30 30 31 31 31 31 31 31 31 31 31 31 32 32 32 33
    #  33 33 33 33 34 34 34 34 34 34 34 35 35 35 35 35 36 36 36 36 36 36 36 36
    #  36 37 37 37 37 37 37 37 37 37 37 38 38 38 38 38 38 38 38 38 39 39 39 39
    #  39 39 39 39 39]
    # haarcascade_frontalface_alt2  231
    # [ 0  0  0  1  1  1  1  1  1  1  1  1  2  2  2  2  2  2  2  3  3  3  3  3
    #   3  3  3  3  3  4  4  4  4  5  5  5  5  6  6  6  6  6  6  7  7  7  7  7
    #   7  8  8  9  9  9  9  9  9  9  9  9  9 10 10 10 12 12 12 12 12 12 12 12
    #  12 13 13 13 13 13 13 13 13 13 13 15 15 15 15 15 15 15 15 15 16 16 16 16
    #  16 16 16 16 17 17 17 17 17 18 18 18 18 18 19 19 19 20 20 21 21 21 21 21
    #  21 21 21 22 22 22 22 22 22 22 23 23 23 23 23 23 23 23 23 24 24 24 24 24
    #  25 25 26 26 26 26 26 28 29 29 29 29 29 30 30 30 30 31 31 31 31 31 31 31
    #  31 31 31 32 32 32 32 32 32 33 33 33 33 33 34 34 34 34 34 34 34 35 35 35
    #  35 35 36 36 36 36 36 36 36 36 36 37 37 37 37 37 37 37 37 37 37 38 38 38
    #  38 38 38 38 38 39 39 39 39 39 39 39 39 39]
    # haarcascade_frontalface_default   264
    # [ 0  0  0  0  0  1  1  1  1  1  1  1  1  2  2  2  2  2  2  2  2  2  2  3
    #   3  3  3  3  3  3  4  4  4  4  4  4  5  5  5  5  5  5  5  5  5  5  6  6
    #   6  6  6  6  6  7  7  7  7  7  7  7  8  8  9  9  9  9  9  9  9  9  9  9
    #  10 10 10 10 10 12 12 12 12 12 12 12 12 12 12 13 13 13 13 13 13 13 13 13
    #  13 14 14 14 14 14 14 14 15 15 15 15 15 15 16 16 16 16 16 16 16 16 16 17
    #  17 17 17 17 18 18 18 18 18 19 19 19 19 19 19 19 19 19 19 20 20 20 20 20
    #  20 21 21 21 21 21 21 22 22 22 22 23 23 23 23 23 23 23 24 24 24 24 24 25
    #  25 25 25 26 26 26 26 26 26 26 26 26 29 29 29 29 29 29 29 30 30 30 30 30
    #  30 30 31 31 31 31 31 31 31 31 31 32 32 32 32 33 33 33 33 33 33 33 33 34
    #  34 34 34 34 34 34 35 35 35 35 35 36 36 36 36 36 36 36 36 36 37 37 37 37
    #  37 37 37 37 37 37 38 38 38 38 38 38 38 38 38 39 39 39 39 39 39 39 39]
    label = 0
    # 遍历当前文件夹
    for subdir in os.listdir(data):

        print('processing ',subdir)
        # 构造路径全链路
        subpath = os.path.join(data, subdir)
        # 如果是否文件夹
        if os.path.isdir(subpath):
            # 每个文件夹代表一个人,也就是构造人的姓名
            names.append(subdir)
            # 遍历文件夹中的图片文件
            for filename in os.listdir(subpath):
                imgpath = os.path.join(subpath, filename)
                print('processing ', filename)
                # 读取图片,并转换为灰度图片
                # 灰度图片用于进行训练
                # 构造图片和标签关系
                img = cv2.imread(imgpath, cv2.IMREAD_COLOR)
                gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
                faces = face_casecade.detectMultiScale(gray_img, 1.3, 5)
                print('faces=',faces,'face num=',str(len(faces)))
                for (x, y, w, h) in faces:
                    cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
                if (len(faces) > 0):
                    (x, y, w, h) = faces[0]
                    # 只返回图像的正面部分
                    images.append(gray_img[y:y + w, x:x + h])
                    labels.append(label)

                cv2.imshow('img', img)
            label += 1
    # 将图片转换为易于操作的ndarray形式
    images = np.asarray(images)
    # 将标签转为numpy格式
    labels = np.asarray(labels)
    return images, labels, names

if __name__ == '__main__':
    trainimage = 'C:\\Python\\Pycharm\\docxprocess\\picture\\ORL\\'
    X, y, names = loadimageface(trainimage)

从效果上cade_frontalface_default>haarcashaarcascade_frontalface_alt2>haarcascade_frontalface_alt>haarcascade_frontalface_alt_tree

cd4fbfde7b995c22eb07ed39cb784d95.png

这就比较尴尬了。。。到底选谁好呢?

说到底,Haar Cascade人脸分类器是入门级的人脸检测工具,只能用于好玩的测试,看样子只能用更加高级的工具了。

d35a61990dedbaef85a51147df56ff87.png

最后,谢谢关注,谢谢支持!

f711bd12615e7a6661e7fb630772a4d3.png

  • 2
    点赞
  • 3
    收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
©️2022 CSDN 皮肤主题:大白 设计师:CSDN官方博客 返回首页
评论

打赏作者

python与大数据分析

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额:-- )
扫码支付
扫码支付:¥2
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值