openCV第二课学习：开启人脸识别的拿来主义-人脸检测

 

        接着第一课学习，学会了初步的openCV操作，那么什么是感兴趣的呢？早期在各种高端展会和技术交流中，牛逼闪闪的人脸识别觉得是最为吸睛的存在了。那么，虽然我才刚刚接触点opencv的皮毛，但是已经迫不及待的想要上人脸识别了。于是第二课的学习就打算直接人脸识别开干。

        当然前期也花了些时间学习Python的编程，对于python有一个体系化的了解了之后才开始。因为虽然有很多开源的代码，但是也得要起码看得懂才行。闲话不多说，直接进入正题。

        一、基本知识

    人脸识别，首先需要的是对人脸的检测，拿给电脑一幅图像，它得想办法首先找到哪些是人脸，然后才是哪个脸对应的是谁的问题。那么这一课就集中在对于人脸进行检测的实现上面。人脸检测实质上是一个分类问题，是将人脸与图像中的其他物体区分出来。一种办法是自己建立分类器模型，另一种是直接采用opencv自带的分类器。对于入门小白的我，当然首选直接采用opencv的自带分类器。

        1、调用自带分类器

        opencv的自带人脸分类器，使用的时候是调用opencv训练好的分类器函数，其自带函数可以实现人脸检测、眼睛检测、鼻子、身体、手臂等检测都有。检测函数为detectMultiScale()，分类器存储在opencv的安装文件夹（*\opencv\sources\data\haarcascades）路径中。

        调用的方法为：1）加载分类器；2）调用分类器

        首先解释下什么是分类器，分类器其实就是高手针对人脸特征建立的分类算法，其中包含了各种分类的参数，能够实现把人脸与图像其他物体分类的二分类算法。

    python代码为：

        #加载分类器

face_cascade=cv2.CascadeClassifier("C:\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_default.xml")

        #调用分类器

face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))

        2、函数参数及返回值解释

        在上述函数中gray表示的是要检测的输入的灰度图像，scaleFactor表示每次图像尺寸减小的比例，minNeighbors表示每一个目标至少要被检测到3次才算是真的目标(因为周围的像素和不同的窗口大小都可以检测到人脸)，minSize为目标的最小尺寸。该函数的返回值是检测到人脸后，框住人脸的矩形框的四个参数值：矩形的 x 和 y 坐标，以及它的高h和宽w。

        二、实操及步骤

        下面都是干货哦，一步都不能少。开始编程之前，先理理思路，其实与编程无关了，主要是解决问题之前，都得理理思路，想想条件、目标、实现路径等等。那么现在开始了。

 

        首先得要有一张有人脸的图片，这个清晰度还是要较好的，其他要求到是不高；其次，你得要能够会通过python去读取调用图片，然后进行预处理。为啥要预处理，这里有这么个问题。通常情况下，我们的图像数据都是彩色图像，对于同一个像素，包含的数据信息除了特征信息以外，还有色彩空间的信息，但是色彩空间的信息对于我们进行图像特征识别而言却意义不大，因此，为了减少计算量，一般的特征提取算法，都会预先将图像处理为灰度图像，以利于快速计算。再次，预处理后，我们需要调用人脸识别分类器和检测函数，对预处理后的图像进行检测；最后检测到人脸后，我们还要回到彩色图像上面把人脸范围给框出来。以上就是人脸检测的基本思路和流程。详细代码如下：

 

import cv2

#指定图片的人脸识别然后存储 
img = cv2.imread("c:\\lwf.jpg") 
color = (0, 255, 0)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
#识别人脸的训练数据
face_cascade = cv2.CascadeClassifier("C:\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_default.xml")
#识别眼睛的训练数据
eye_cascade = cv2.CascadeClassifier("C:\\opencv\\sources\\data\\haarcascades\\haarcascade_eye_tree_eyeglasses.xml")  
#DetectMultiScale 函数是检测物体的通用函数，检测人脸的检测函数
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32)) 
if len(faces) > 0: # 大于0则检测到人脸 
    for faceRect in faces: # 单独框出每一张人脸 
        x, y, w, h = faceRect 
        cv2.rectangle(img, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 3) #5控制绿色框的粗细 
        
        roi_gray = gray[y:y+h,x:x+w]  
        roi_color = img[y:y+h,x:x+w]  
        
        eyes = eye_cascade.detectMultiScale(roi_gray,1.1,1,cv2.CASCADE_SCALE_IMAGE,(2,2))
        for (ex,ey,ew,eh) in eyes:  
            cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)  
# 写入图像 
cv2.imwrite('output.jpg',img) 
cv2.imshow("Find Faces!",img)
cv2.waitKey(0)

三、提取人脸检测到的局部图像

       由于上面从图形中检测到了人脸，并对人脸以画框的方式进行了标注。为进行识别，下一步将对所有图像样本进行局部人脸图像提取，以利于后续人脸识别计算。思路如下：

       和上面代码差不多，只是需要用到cv2.resize这个命令，利用该命令，以同样大小尺寸进行图像大小统一，并进行改变后的图像输出即可。下面的代码使用的尺寸是（92,112）像素。提取出来的图像，则可以用于下一步的图像识别算法了。

#DetectMultiScale 函数是检测物体的通用函数，检测人脸的检测函数
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.6, minNeighbors=3, minSize=(32,32)) 
if len(faces) > 0: # 大于0则检测到人脸 
    for faceRect in faces: # 单独框出每一张人脸 
        x, y, w, h = faceRect 
        cv2.rectangle(img, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 3) #5控制绿色框的粗细 
        
        roi_gray = gray[y:y+h,x:x+w]  
        roi_color = img[y:y+h,x:x+w]  
        resizepic=cv2.resize(roi_gray, (92, 112),interpolation=cv2.INTER_CUBIC)
        eyes = eye_cascade.detectMultiScale(roi_gray,1.1,1,cv2.CASCADE_SCALE_IMAGE,(2,2))
        for (ex,ey,ew,eh) in eyes:  
            cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)  

#-------将人脸区域提取出来
cv2.imwrite('30.jpg',resizepic) 
cv2.imshow("Find Faces!",resizepic)
k=cv2.waitKey(0)
#----------关闭窗口，退出程序
if k==27:
	cv2.destroyAllWindows()  #wait for ESC key to exit
elif k == ord('s'):
	cv2.imwrite('20.jpg',resizepic)#wait for 's' key to save and exit
cv2.destroyAllWindows()