【OpenCV】 人脸识别

目录

一:前言

二:人脸识别案例 实现步骤及完整代码

步骤1 灰度化处理

步骤2 将灰度图再次进行 行列压缩 

步骤3 直方图均值化

步骤4 使用模型 对每一个像素点遍历 图像甄别

人脸识别案例 完整代码如下:

结果测试:可对人脸框选识别

三:车辆识别案例 级联分类器 具体实现


一:前言

本次人脸识别技术使用到的是级联分类器

对于级联分类器,如果想要自己训练模型可以参考这篇文章

【OpenCV】 级联分类器训练模型

【友情提示:训练对电脑的配置要求比较高,另外还需要有足够庞大的样本数据,因此,如果是研究生在导师实验室用着3090的,可以自己训练,但也要投入足够的时间进行数据采集。不过,这边为了方便大家学习,博主会在资源中分享  人脸识别训练模型  车辆识别训练模型  ,在读完这篇文章后,感兴趣的,想要学习的,欢迎自取】

二:人脸识别案例 实现步骤及完整代码

步骤1 灰度化处理

    //灰度化处理 节省内存
    Mat gray;
    cvtColor(frame,gray,CV_RGB2GRAY);

步骤2 将灰度图再次进行 行列压缩 

    //级联分类器比帧差法还更慢,因此,需要再将灰度图大小压缩一半左右 行列压缩
    Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);
    //按存储大小计算  压缩方式采用线性压缩
    resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);

步骤3 直方图均值化

    //直方图均值化 让灰度图经过直方图函数处理 黑白分明
    equalizeHist(smalling,smalling);
    //imshow("smalling",smalling);

步骤4 使用模型 对每一个像素点遍历 图像甄别

    //调用级联分类器进行模型匹配并进行框选识别 使用模型去进行每一个像素点的遍历
    vector<Rect>faces;
    //使用CV_HAAR_SCALE_IMAGE算法 图像甄别
    cascade.detectMultiScale(smalling,faces,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));

    //绘制矩形
    vector<Rect>::const_iterator iter;
    //使用到容器迭代器进行遍历
    for(iter=faces.begin();iter!=faces.end();iter++)
    {
        rectangle(frame,
                  cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),//左上
                  cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),//右下
                  Scalar(0,255,0),2,8//颜色 像素位
                    );
    }
    imshow("frame",frame);

人脸识别案例 完整代码如下:

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;

//人脸识别
void datectFace(Mat &frame,CascadeClassifier cascade,double scale)
{
    //灰度化处理 节省内存
    Mat gray;
    cvtColor(frame,gray,CV_RGB2GRAY);

    //级联分类器比帧差法还更慢,因此,需要再将灰度图大小压缩一半左右 行列压缩
    Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);
    //按存储大小计算  压缩方式采用线性压缩
    resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);

    //直方图均值化 让灰度图经过直方图函数处理 黑白分明
    equalizeHist(smalling,smalling);
    //imshow("smalling",smalling);

    //调用级联分类器进行模型匹配并进行框选识别 使用模型去进行每一个像素点的遍历
    vector<Rect>faces;
    //使用CV_HAAR_SCALE_IMAGE算法 图像甄别
    cascade.detectMultiScale(smalling,faces,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));

    //绘制矩形
    vector<Rect>::const_iterator iter;
    //使用到容器迭代器进行遍历
    for(iter=faces.begin();iter!=faces.end();iter++)
    {
        rectangle(frame,
                  cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),//左上
                  cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),//右下
                  Scalar(0,255,0),2,8//颜色 像素位
                    );
    }
    imshow("frame",frame);
}

int main(int argc, char *argv[])
{
    //级联分类器对象
    CascadeClassifier cascade;
    //读取级联分类器
    cascade.load("D:/00000cars-face/face.xml");

    Mat frame;
    //视频路径的获取
    VideoCapture cap(0);
    while (cap.read(frame))
    {
        //将读到的帧进行显示
        imshow("frame",frame);
        //检测识别 图像 级联分类器 比例
        datectFace(frame,cascade,2);
        waitKey(3);
    }
    return 0;
}

结果测试:可对人脸框选识别

三:车辆识别案例 级联分类器 具体实现

如果对于上述的人脸识别案例 理解透彻 那么车辆识别也是一样的实现方法 只不过就是换了一个级联分类器 图像数据读取 罢了。

这边就直接给出 车辆识别案例 完整代码

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;

//车辆识别案例
void datectCarDaw(Mat &frame,CascadeClassifier cascade,double scale)
{
    //灰度化处理 节省内存
    Mat gray;
    cvtColor(frame,gray,CV_RGB2GRAY);

    //级联分类器比帧差法还更慢,因此,需要再将灰度图大小压缩一半左右 行列压缩
    Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);
    //按存储大小计算  压缩方式采用线性压缩
    resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);

    //直方图均值化 让灰度图经过直方图函数处理 黑白分明
    equalizeHist(smalling,smalling);
    //imshow("smalling",smalling);

    //调用级联分类器进行模型匹配并进行框选识别 使用模型去进行每一个像素点的遍历
    vector<Rect>cars;
    //使用CV_HAAR_SCALE_IMAGE算法 图像甄别
    cascade.detectMultiScale(smalling,cars,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));

    //绘制矩形
    vector<Rect>::const_iterator iter;
    //使用到容器迭代器进行遍历
    for(iter=cars.begin();iter!=cars.end();iter++)
    {
        rectangle(frame,
                  cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),//左上
                  cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),//右下
                  Scalar(0,255,0),2,8//颜色 像素位
                    );
    }
    imshow("frame",frame);
}

int main(int argc, char *argv[])
{
    //级联分类器对象
    CascadeClassifier cascade;
    //读取级联分类器
    cascade.load("D:/00000cars-face/cars.xml");

    Mat frame;
    //视频路径的获取
    VideoCapture cap("D:/00000000000003jieduanshipincailliao/carMove.mp4");
    while (cap.read(frame))
    {
        //将读到的帧进行显示
        imshow("frame",frame);
        //检测识别 图像 级联分类器 比例
        datectCarDaw(frame,cascade,2);
        waitKey(3);
    }
    return 0;
}

结果测试:

 

可以看出,图中汽车可以被识别框选,电动车不会被识别框选。

相比博主在上周分享的 帧差法 车辆识别 来看,本次车辆识别的准确度明显提高,因此,这种方法非常值得学习!

想了解 帧差法 车辆识别 可以阅读下面这篇文章

车辆识别 帧差法 具体步骤 手把手教学 

以上,就是博主的全部内容啦!欢迎一起交流学习!

 

“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:点我我会动 设计师:我叫白小胖 返回首页
评论 85

打赏作者

我今年十六岁

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