1.7~1.9opencv学习总结

图像处理——OpenCV学习(1.7~1.9)

一、人脸识别程序剖析

下面就图片预处理、级联分类器这两大块进行分析：

1） 图片预处理流程

基于人脸识别的代码进行分步解析。

Mat gray;

cvtColor(img, gray, CV_RGB2GRAY); //①转换成灰度图

equalizeHist(gray, gray);   //②直方图均衡化

ccf.detectMultiScale(gray, faces, 1.1, 3, 0, Size(10, 10), Size(100, 100)); //③检测人脸

①如下为将原图像转换成灰度图的效果，因为Haar特征是从灰度图中读取的

 

 

②如下为将原图像直方图均衡化的效果，这一步是通过拉伸各个像素分布来实现图像增强。

 

③最后一步，人脸检测并显示结果

 

2）级联分类器原理

程序中用到了OPENCV自带的级联分类器，CascadeClassifier，来检测图片或视频流中的目标——人脸(视频中多一个人眼)。所以接下来就浅谈一下这个级联分类器。

首先，Haar分类器 = Harr-like特征 + 积分图方法 + Adaboost算法 + 级联。

① 使用Haar-like特征做检测。

② 使用积分图（Integral Image）对Haar-like特征求值进行加速。

③ 使用AdaBoost算法训练区分人脸和非人脸的强分类器。

④ 使用筛选式级联把强分类器级联到一起，提高准确率。

值得一提的是其中的Haar-like特征检测，下面做较详细的分析。

 

二、Haar特征

前面所讲的AdaBoost算法的实现，采用的是输入图像的矩形特征，也叫Haar特征。影响Adaboost检测训练算法速度很重要的两方面是特征的选取和特征值的计算。人脸的一些特征可以由矩形特征简单地描绘。如下图，特征值的定义为白色矩形像素和减去黑色矩形像素和，根据特征值判断出人脸样本和非人脸样本。

 

为了找出这些特征和计算出所需的特征值，首先，我们要在图片中划分出满足特定条件的矩形，即条件矩形，其中的条件称为（s，t）条件。（s，t）条件有两个内容

（1）x轴方向边长必须能被自然数s 整除（能均等分成s 段）；

（2）y 轴方向边长必须能被自然数t 整除（能均等分成t 段）；

所以矩形的最小尺寸为s×t或者t×s， 最大尺寸为[m/s]·s×[m/t]·t 或[m/t]·t×[m/s]·s；其中[ ]为取整运算符。这在利用该函数时需要用到

 

 

 

找出条件矩形后，计算其特征值，

对于理想的像素值随机分布的图像来说，同一个矩形特征对不同图像的特征值的平均值应该趋于一个定值k。

在对输入图像进行检测的时候，一般输入图像都是很大的。在Adaboost 算法中采用了扩大检测窗口的方法，而不是缩小图片。在检测的最初，检测窗口和样本大小一致，然后按照一定的尺度参数（即每次移动的像素个数，向左然后向下）进行移动，遍历整个图像，标出可能的人脸区域。遍历完以后按照指定的放大的倍数参数放大检测窗口，然后在进行一次图像遍历；这样不停的放大检测窗口对检测图像进行遍历，直到检测窗口超过原图像的一半以后停止遍历。在检测窗口遍历完一次图像后，处理重叠的检测到的人脸区域，进行合并等操作。

 

三、车牌识别进展

整个车牌识别过程实际上相当于包含了两个过程：1，是车牌的识别；2，车牌字符的识别。由于工程较大及陌生的部分较多，目前只对前一个过程进行了分析。以下为所得：

1、大致流程及运行截图如下

1）准备

转换图片格式至HSV，取S通道图像，再转化为灰度图。

2）检测

利用opencv中自带的MSER函数，分别进行MSER+与MSER-检测，再进行闭操作连接缝隙，寻找外部轮廓。

3）输出

根据最终保存区域，设置矩形大小，截出车牌区域并输出图像。

 

 

四、总结

通过学习人脸识别/车牌识别来提升自己在图像识别方面的工程经验是非常好的，因为它非常好的说明了计算机视觉的一般过程：

图像→→预处理→→图像分析→→目标提取→→目标识别。

而学到现在，我们的感觉就是：要学的东西还很多，网上的资源也非常丰富，剩下的就只是一步步地走下去了。相信付出都是有回报的，走过的路都不会白走。