调用Open CV自带人脸检测


#include "opencv2/objdetect/objdetect.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"

#include <iostream>
#include <stdio.h>

using namespace std;
using namespace cv;

/** Function Headers */
void detectAndDisplay( Mat frame );

/** Global variables */

String face_cascade_name = "C:\\opencv\\sources\\data\\lbpcascades\\lbpcascade_frontalface.xml";
String eyes_cascade_name = "C:\\opencv\\sources\\data\\haarcascades\\haarcascade_eye_tree_eyeglasses.xml";
CascadeClassifier face_cascade;
CascadeClassifier eyes_cascade;
string window_name = "Capture - Face detection";
RNG rng(12345);

/** @function main */
int main( int argc, const char** argv )
{
	CvCapture* capture;
	Mat frame;

	//-- 1. Load the cascades
	if( !face_cascade.load( face_cascade_name ) ){ printf("--(!)Error loading\n"); return -1; };
	if( !eyes_cascade.load( eyes_cascade_name ) ){ printf("--(!)Error loading\n"); return -1; };

	//-- 2. Read the video stream
	capture = cvCaptureFromCAM( 0 );
	if( capture )
	{
		while( true )
		{
			frame = cvQueryFrame( capture );

			//-- 3. Apply the classifier to the frame
			if( !frame.empty() )
			{ detectAndDisplay( frame ); }
			else
			{ printf(" --(!) No captured frame -- Break!"); break; }

			int c = waitKey(10);
			if( (char)c == 'c' ) { break; }
		}
	}
	return 0;
}

/** @function detectAndDisplay */
void detectAndDisplay( Mat frame )
{
	std::vector<Rect> faces;
	Mat frame_gray;

	cvtColor( frame, frame_gray, CV_BGR2GRAY );
	equalizeHist( frame_gray, frame_gray );

	//-- Detect faces
	face_cascade.detectMultiScale( frame_gray, faces, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) );

	for( size_t i = 0; i < faces.size(); i++ )
	{
		Point center( faces[i].x + faces[i].width*0.5, faces[i].y + faces[i].height*0.5 );
		ellipse( frame, center, Size( faces[i].width*0.5, faces[i].height*0.5), 0, 0, 360, Scalar( 255, 0, 255 ), 4, 8, 0 );

		Mat faceROI = frame_gray( faces[i] );
		std::vector<Rect> eyes;

		//-- In each face, detect eyes
		eyes_cascade.detectMultiScale( faceROI, eyes, 1.1, 2, 0 |CV_HAAR_SCALE_IMAGE, Size(30, 30) );

		for( size_t j = 0; j < eyes.size(); j++ )
		{
			Point center( faces[i].x + eyes[j].x + eyes[j].width*0.5, faces[i].y + eyes[j].y + eyes[j].height*0.5 );
			int radius = cvRound( (eyes[j].width + eyes[j].height)*0.25 );
			circle( frame, center, radius, Scalar( 255, 0, 0 ), 4, 8, 0 );
		}
	}
	//-- Show what you got
	imshow( window_name, frame );
}

以上代码来自官方文档:http://docs.opencv.org/2.4.11/doc/tutorials/objdetect/cascade_classifier/cascade_classifier.html#cascade-classifier

#include <opencv2\opencv.hpp>
#include <iostream>
#include <string>
using namespace cv;
using namespace std;
int main()
{
    Mat img = imread("a.jpg");
    if(img.empty())
    {
        cout<<"error";
        return -1;
    }
    imshow("The original image",img);

    vector<Rect> found, found_filtered;
    HOGDescriptor people_dectect_hog;      //hog描述子在opencv中为HOGDescriptor


    //采用默认的已经训练好了的svm系数作为此次检测的模型
	//可以调用该描述子setSVMDetector方法给用于对hog特征进行分类的svm模型的系数赋值,
	//这里的参数为HOGDescriptor::getDefaultPeopleDetector()时表示采用系统默认的参数,因为这些参数是用很多图片训练而来的。
    people_dectect_hog.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());

    //对输入的图片img进行多尺度行人检测
	//该函数表示对输入的图片img进行多尺度行人检测 img为输入待检测的图片;found_locations为检测到目标区域列表;参数3为程序内部计算为行人目标的阈值,
	//也就是检测到的特征到SVM分类超平面的距离;参数4为滑动窗口每次移动的距离。它必须是块移动的整数倍;参数5为图像扩充的大小;参数6为比例系数,
	//即滑动窗口每次增加的比例;参数7为组阈值,即校正系数,当一个目标被多个窗口检测出来时,该参数此时就起了调节作用,为0时表示不起调节作用。*/
    people_dectect_hog.detectMultiScale(img,           //img为输入待检测的图片;
		                               found,          //found为检测到目标区域列表;
									   0,              //参数3为程序内部计算为行人目标的阈值,也就是检测到的特征到SVM分类超平面的距离;
									   Size(8, 8),     //参数4为滑动窗口每次移动的距离。它必须是块移动的整数倍;
									   Size(32, 32),   //参数5为图像扩充的大小;
									   1.05,           //参数6为比例系数,即测试图片每次尺寸缩放增加的比例;
									   2);             //参数7为组阈值,即校正系数,当一个目标被多个窗口检测出来时,该参数此时就起了调节作用,为0时表示不起调节作用。

    //从源码中可以看出:
    //#define __SIZE_TYPE__ long unsigned int
    //typedef __SIZE_TYPE__ size_t;
    //因此,size_t是一个long unsigned int类型
    size_t i, j;
    for (i = 0; i < found.size(); i++ )
        {
            Rect r = found[i];

            //下面的这个for语句是找出所有没有嵌套的矩形框r,并放入found_filtered中,如果有嵌套的
           //话,则取外面最大的那个矩形框放入found_filtered中
            for(j = 0; j <found.size(); j++)
                if(j != i && (r&found[j])==r)
                    break;
               if(j == found.size())
               found_filtered.push_back(r);
        }

    //在图片img上画出矩形框,因为hog检测出的矩形框比实际人体框要稍微大些,所以这里需要
    //做一些调整
    for(i = 0; i <found_filtered.size(); i++)
        {
            Rect r = found_filtered[i];
            r.x += cvRound(r.width*0.1);
            r.width = cvRound(r.width*0.8);
            r.y += cvRound(r.height*0.07);
            r.height = cvRound(r.height*0.8);
			//绘制矩形
            rectangle(img,                //图像.
			          r.tl(),             //矩形的一个顶点。
					  r.br(),             //矩形对角线上的另一个顶点
					  Scalar(0, 255, 0),  //线条颜色 (RGB) 或亮度(灰度图像 )(grayscale image)
					  3);                 //组成矩形的线条的粗细程度。取负值时(如 CV_FILLED)函数绘制填充了色彩的矩形
        }

   imshow("After processing the figure",img);
    waitKey();
    return 0;
}


  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
人脸检测与对齐是计算机视觉中的基础任务之一,其在图像处理、视频监控、人机交互等领域都有着广泛的应用。Python语言拥有丰富的第三方库和强大的科学计算能力,因此在人脸检测与对齐方面也有着很好的应用优势。 在Python中实现人脸检测,常用的是基于OpenCV(Open Source Computer Vision Library)的人脸检测方法。首先需要安装opencv-python库,然后使用CascadeClassifier类进行人脸检测。CascadeClassifier类通过调用OpenCV开源的人脸检测分类器进行检测。对于检测到的人脸,可以通过OpenCV库提供的函数进行裁剪、调整大小等基本操作,以便后续的人脸识别或其他任务的处理。 人脸对齐方面,通常的方法是使用人脸关键点检测技术。可以使用OpenCV库提供的dlib或者face_recognition库进行人脸关键点检测检测到人脸关键点后,可以根据关键点坐标进行人脸的对齐。具体的方法可以是仿射变换、透视变换等。同样,Python提供了丰富的第三方库支持,例如scipy库中提供的affine_transform函数、openCV库中的warpAffine函数等。通过对关键点的移动、旋转、缩放等操作,可以将图像进行对齐,使其更好的用于后续的人脸识别和分析任务。 总之,Python作为一种快速、灵活、易学易用的编程语言,在人脸检测和对齐方面有着很好的应用优势。在实现过程中,需要考虑算法复杂度、准确性以及可扩展性等因素,以便更好的满足实际需求。

“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
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
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、付费专栏及课程。

余额充值