【数字图像处理6】python+opencv使用LBP、HOG提取特征来分类人脸、人身

实验目的

• 选取LBP、HOG两种特征提取算法做分类，去识别人的图像。

实验前明确的概念

• LBP、HOG是两种特征提取算法。

一、LBP分类

1、数据准备

• 如果想要将人脸准确地检测出来，需要通过建立人脸模型，获取准确区分人脸的分类器，LBP这里我们使用网上公开的扩展包或已经训练好的分类器（后面的HOG我就没找到合适的分类器…）。
• 将lbpcascades里面的相关xml文件下载到本地，便于之后调用，辅助进行人脸检测。
• 
  LBP分类器下载地址：

https://github.com/opencv/opencv/tree/master/data

2、说明一些概念

• cv.CascadeClassifier()：

  • 是OpenCV中人脸检测的一个级联分类器，既可以使用Haar特征，也可以使用LBP特征。
  • 以Haar特征分类器为基础的对象检测技术是一种非常有效的技术，它是基于机器学习且使用大量的正负样本训练得到分类器。

• detectMultiScale函数：检测人脸算法，其参数如下：

  1. image：要检测的输入图像
  2. scaleFactor：表示每次图像尺寸减小的比例
  3. minNeighbors：表示每一个目标至少要被检测到多少次才算是真的人脸，因为周围的像素和不同的窗口大小都可能检测成人脸
  4. minSize：表示目标的最小尺寸
  5. maxSize：表示目标的最小尺寸

• LBP：

  • 是一种特征提取方式，能提取出图像的局部的纹理特征，最开始的LBP算子是在3X3窗口中，取中心像素的像素值为阀值，与其周围八个像素点的像素值比较，若像素点的像素值大于阀值，则此像素点被标记为1，否则标记为0。
  • 这样就能得到一个八位二进制的码，转换为十进制即LBP码，于是得到了这个窗口的LBP值，用这个值来反映这个窗口内的纹理信息。

• 本代码中不涉及具体的LBP算法的实现，而是直接调用了现成的LBP分类器，直接实现了效果。

3、效果

可以看到，近处的人脸识别效果还可以，但是由于摄像头清晰度等原因，远处的人脸识别并不是很准确。

但是，抗遮挡效果貌似还可以：

动态效果如下：

4、实现代码

import cv2
##################################################
############使用LBP识别人脸#######################
##################################################
def use_LBP_to_distinguish_face():

    # 识别打开摄像头
    cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)
    # 创建LBP特征的分类器
    face_detect = cv2.CascadeClassifier(r'tool/lbpcascades/lbpcascade_frontalface_improved.xml')

    while True:
        # 读取视频的每一帧
        flag, frame = cap.read()
        frame = cv2.flip(frame, 1)
        if not flag: 
            break
        # 进行灰度处理
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        # 多个尺度空间进行人脸检测   返回检测到的人脸区域坐标信息
        face_zone = face_detect.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5