【OpenCV图像处理15】人脸识别项目

十五、人脸识别项目

主要方法:

  • 哈尔(Haar)级联方法
  • 深度学习方法(DNN)

Haar是专门为解决人脸识别而推出的,在深度学习还不流行时,Haar已可以商用。

1、Haar人脸识别

基本步骤:

  • 创建Haar级联器
  • 导入图像并将其灰度化
  • 调用detectMultiScale方法进行人脸识别

detectMultiScale()用法:

detectMultiScale(image, scaleFactor: None, minNeighbors: None, flags: None, minSize: None, maxSize: None) 

代码实现:

import cv2

# 创建Haar级联器
facer = cv2.CascadeClassifier('../haarcascades/haarcascade_frontalface_default.xml')

# 导入图像并将其灰度化
img = cv2.imread('../resource/people.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 调用detectMultiScale方法进行人脸识别
# [[x, y, w, h]]
faces = facer.detectMultiScale(gray, 1.1, 5)

for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)

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

2、Haar其它脸部特征的检测

代码实现:

import cv2

# 创建Haar级联器
facer = cv2.CascadeClassifier('../haarcascades/haarcascade_frontalface_default.xml')
eye = cv2.CascadeClassifier('../haarcascades/haarcascade_eye.xml')

# 导入图像并将其灰度化
img = cv2.imread('../resource/people.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 在检测出的人脸上再检测眼睛
faces = facer.detectMultiScale(gray, 1.1, 5)
i = 0
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x + w, y + h,), (0, 0, 255), 2)

    roi_img = img[y:y + h, x:x + w]

    eyes = eye.detectMultiScale(roi_img, 1.1, 5)
    for (x, y, w, h) in eyes:
        cv2.rectangle(roi_img, (x, y), (x + w, y + h), (0, 255, 0), 2)

    i = i + 1
    winname = 'face' + str(i)
    cv2.imshow(winname, roi_img)

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

3、Haar + Tesseract车牌识别

基本步骤:

  • 通过Haar定位车牌的大体位置
  • 对车牌进行预处理
    • 对车牌进行二值化处理
    • 进行形态学处理
    • 滤波去除噪点
    • 缩放
  • 调用Tesseract进行文字识别

代码实现:

import cv2

# 引入Tesseract库
import pytesseract

# 创建Haar级联器
plate = cv2.CascadeClassifier('../haarcascades/haarcascade_russian_plate_number.xml')

# 带车牌的图像
img = cv2.imread('../resource/plate.webp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 车牌的定位
plates = plate.detectMultiScale(gray, 1.1, 3)
for (x, y, w, h) in plates:
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)

# 对获取到的车牌进行预处理
# 1.提取ROI
roi = gray[y:y + h, x:x + w]
# 2.进行二值化
ret, roi_bin = cv2.threshold(roi, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# print(pytesseract.image_to_string(roi, lang='chi_sim+eng', config='--psm 8 --oem 3'))

cv2.imshow('plate', img)
cv2.imshow('roi_bin', roi_bin)
cv2.waitKey(0)
cv2.destroyAllWindows()
88888

4、深度学习基础知识

深度学习是计算机视觉最为重要的方法。

深度学习简史:

1、深度学习很早就被提出,但一直停滞不前。

2、2011年,微软在语音识别上使用,取得了突破。

3、2012年,DNN在图像识别领域取得惊人的效果,在ImageNet评测的错误率从26%降低到15%。

4、2016年,AlphaGo击败人类,引起世界震惊。

深度学习网络模型:

  • DNN(Deep Neural Network,深度神经网络)
  • RNN(Recurrent Neural Network,循环神经网络)
  • CNN(Convolutional Neural Network,卷积神经网络)

RNN主要用途:

  • 语音识别
  • 机器翻译
  • 生成图像描述

CNN主要用途:

  • 图像分类、检索
  • 目标定位检测
  • 目标分割
  • 人脸识别

几种CNN网络实现:

  • LeNet,1998年,第一代CNN,28 * 28手写字。
  • AlexNet,2012年,ImageNet比赛的冠军。
  • VGG、GoogLeNet、ResNet

几种CNN目标检测网络实现:

  • RCNN、Fast RCNN、Faster RCNN
  • SSD(Single Shot Detectors)
  • YOLO、YOLOv2、…、YOLOv5

深度学习库:

  • tensorflow,Google
  • caffe ->caffe2->torch(pytorch),Facebook贾扬清
  • MXNet,Apache

训练数据集:

  • MNIST、Fashion-MNIST:手写字母
  • VOC:举办挑战赛时的数据集,2012年后不再举办
  • COCO:用于目标检测的大型数据集
  • ImageNet

训练模型:

  • Tensorflow训练出的模型是.pb文件
  • Pytorch训练出的模型是.pth文件
  • Caffe训练出的模型是.caffe文件
  • ONNX开放性神经网络交换格式.onnx

OpenCV对DNN的支持:

  • OpenCV 3.3 将DNN转正
  • OpenCV 只能使用DNN,不能训练DNN模型

OpenCV支持的模型:

  • Tensorflow
  • Pytorch/torch
  • Caffe
  • DarkNet

5、OpenCV使用DNN实现图像分类

DNN使用步骤:

1、读取模型,并得到深度神经网络

2、读取图像/视频

3、将图像转成张量,送入深度神经网络

4、运行分析,并得到结果

导入模型:

# 第一种:Tensorflow
readNetFromTensorflow(model, config)
# 第二种:Caffe/Darknet
readNetFromCaffe/Darknet(config, model)
# 第三种:Net
readNet(model, [config, [framework]]

blobFromImage()用法:

dnn.blobFromImage(image, scalefactor: None, size: None, mean: None, swapRB: None, crop: None, ddepth: None

参数说明:

  • scalefactor:缩放因子
  • size:输入图像尺寸
  • mean:平均差值

将张量送入网络并执行:

net.setInput(blob)
r = net.forward()

代码实现: 物体分类

import cv2
from cv2 import dnn
import numpy as np

# 1.导入模型,创建神经网络
config = '../config/bvlc_googlenet.prototxt'
model = '../model/bvlc_googlenet.caffemodel'
net = dnn.readNetFromCaffe(config, model)
# 2.读取图像,转成张量
img = cv2.imread('../resource/r_cat.jpg')
blob = dnn.blobFromImage(img,
                         1.0,  # 缩放因子
                         (224, 224),  # 输入图像尺寸
                         (104, 117, 123))  # 平均差值
# 3.将张量输入到网络中,并进行预测
net.setInput(blob)
r = net.forward()

# 读取类目
classes = []
path = '../model/synset_words.txt'
with open(path, 'rt') as f:
    classes = [x[x.find(" ") + 1:] for x in f]

order = sorted(r[0], reverse=True)
z = list(range(3))
for i in range(0, 3):
    z[i] = np.where(r[0] == order[i])[0][0]
    print('第', i + 1, '项, 匹配:', classes[z[i]], end='')
    print('类所在行:', z[i] + 1, ' ', '可能性:', order[i])
# 4.得到结果,显示
1, 匹配: Siamese cat, Siamese
类所在行: 285   可能性: 0.221662642, 匹配: tabby, tabby cat
类所在行: 282   可能性: 0.134519443, 匹配: tiger cat
类所在行: 283   可能性: 0.1054367
  • 4
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    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
评论 1
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

打赏作者

_leoatliang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
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、付费专栏及课程。

余额充值