opencv人脸识别 (一)：人脸检测 (Haar级联 & 静态图像中人脸检测 & 视频中的人脸检测 )

opencv图像处理

https://blog.csdn.net/hxxjxw/article/details/105673675

 

Haar级联

       由于灯光、视角、视距、摄像头抖动以及数字噪声的变化，一个图像的细节可能会变得不稳定。但是人们在分类时却不会受这些物理细节方面差异的影响。因此，提取出图像的细节对产生稳定分类结果和跟踪结果很有用。即：从图像中提取特征。虽然任意像素都可能影响多个特征，但特征应该比像素数少得多。由此两个图像的相似程度可以通过它们对应特征的欧氏距离来度量。

       类Haar特征是一种用于实现实时人脸跟踪的特征。每个类Haar特征都描述了相邻图像区域的对比模式。

       对给定的图像，特征可能会因区域大小而有所不同，区域大小也可被称为窗口大小。但是，仅在尺度上不同的两幅图像也应该有相似的特征。因此，能为不同大小的窗口生成特征非常有用。这些特征集合称为级联。Haar级联具有尺度不变性，但是不具有旋转不变性。

 

Haar 级联数据在opencv包中有带，在人脸检测中会用到

      D:\Anaconda3\Lib\site-packages\cv2\data

• 人脸检测器（默认） ： haarcascade_frontalface_default.xml
• 人脸检测器（快速 Harr） ： haarcascade_frontalface_alt2.xml
• 人脸检测器（侧视） ： haarcascade_profileface.xml
• 眼部检测器（左眼） ： haarcascade_lefteye_2splits.xml
• 眼部检测器（右眼） ： haarcascade_righteye_2splits.xml
• 嘴部检测器： haarcascade_mcs_mouth.xml
• 鼻子检测器： haarcascade_mcs_nose.xml
• 身体检测器： haarcascade_fullbody.xml
• 人脸检测器（快速 LBP） ： lbpcascade_frontalface.xml
   

 

使用opencv进行人脸检测

 

静态图像中人脸检测

       人脸检测首先是加载图像并检测人脸， 这也是最基本的一步。 为了使所得到的结果有意义， 可在原始图像的人脸周围绘制矩形框。

      cv.CascadeClassifier 会返回一个face区域
      在这个区域里面可以获取它所对应的坐标

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

def face_detect_demo():
	gray=cv.cvtColor(src,cv.COLOR_BGR2GRAY)  #灰度处理
	face_detector=cv.CascadeClassifier('D:\\Anaconda3\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_default.xml')
	faces=face_detector.detectMultiScale(gray,1.02,5)
	for x,y,w,h in faces: #检测出来的人脸区域给它绘制个矩形
		cv.rectangle(src,(x,y),(x+w,y+h),color=(0,0,255))
	cv.imshow('result',src)

src = cv.imread('lenna.jpg')
cv.imshow('result',src)
face_detect_demo()
cv.waitKey(0)
cv.destroyAllWindows()

 

要想框是只要color=(0,255,0)即可

 

检测多张人脸

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

def face_detect_demo():
	gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
	face_detector=cv.CascadeClassifier('D:\\Anaconda3\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_default.xml')
	faces = face_detector.detectMultiScale(img)
	
	#修改检测参数 scaleFactor minNeighbors
	#scaleFactor是对区域进行缩放的比例，minNeighbors是最少检测几次
	#faces=face_detector.detectMultiScale(img,scaleFactor=1.03,minNeighbors=10,minSize=(60,60))
	faces=face_detector.detectMultiScale(img,scaleFactor=1.03,minNeighbors=10)
	for x,y,w,h in faces:
		print(x,y,w,h)
		cv.rectangle(img,(x,y),(x+w,y+h),color=(0,0,255),thickness=2)
		cv.circle(img,center=(x+w//2,y+h//2),radius=w//2,color=(0,255,0),thickness=2)
	cv.imshow('result',img)

#加载图片
img = cv.imread('mulface1.jpg')
cv.imshow('result',img)
face_detect_demo()
cv.waitKey(0)
cv.destroyAllWindows()

 

faces=face_detector.detectMultiScale(img,scaleFactor=1.03,minNeighbors= ，maxSize=(), minSize=(60,60))

修改检测参数 scaleFactor minNeighbors minSize和maxSize

    scaleFactor是对区域进行缩放的比例，minNeighbors是最少检测几次

    minSize和maxSize用来限制得到的目标区域的范围,即当前检测区域的最大大小和最小大小

    maxsize=(30,30)就是w和h，限制在30，30

 

scalefactor=1.03

scalefactor=1.09

 

当scalefactor=1.03 minNeighbors=10

当scaleFactor=1.03,minSize=(60,60)

 

当人脸识别得有问题的时候，我们可以通过这样的调参来调整得出正确的结果

 

视频中的人脸检测 

        视频的每一帧都是一张一张图片组成的， 我们检测视频中的人脸，其实就是检测它每一帧的图片上的人脸。在视频的帧上重复这个过程就能完成视频中的人脸检测。
 

import cv2 as cv
def face_detect_demo(img):
	#将图片灰度
	gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
	#加载特征数据
	face_detector = cv.CascadeClassifier(
	'D:\\Anaconda3\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_default.xml')
	faces = face_detector.detectMultiScale(gray,minNeighbors=15)
	for x,y,w,h in faces:
		#print(x,y,w,h)
		cv.rectangle(img,(x,y),(x+w,y+h),color=(0,0,255),thickness=2)
		#cv.circle(img,center=(x+w//2,y+h//2),radius=(w//2),color=(0,255,0),thickness=2)
	cv.imshow('result',img)

#读取视频
cap=cv.VideoCapture('video.mkv')
while True:
	flag,frame=cap.read() #frame就是当前这一帧上面对应的图片
						  #如果视频一直在播放，flag就是True
	print('flag:',flag,'frame.shape:',frame.shape)
	if not flag:
		break
	face_detect_demo(frame)
	if ord('q') == cv.waitKey(10):
		break
cv.destroyAllWindows()  #释放内存空间
cap.release()  #释放视频空间

按q终止播放