NO.4 机器视觉 人脸识别&色彩过滤

零蚀
[🔗 opencv-python的官方文档]

---

简介

• 人脸识别的原理

  • 这里用到的人脸识别的方式，也是通过级联分类器的方式，像安卓中我们用到的文件都是haar开头的，这个文件就是以haar特征为特征计算方式之一来进行计算的（一般还会用到Adaboost），它是用白色像素之和减去黑色像素的特征之和最后得出Haar特征值。

  • 我们在用级联分类器的时候，我们会用到训练数据（.xml），我们这个训练数据（机器学习），在计算图像区域内是否有人脸，他会拿着一个数据模版，按照haar等特征计算方式，来计算是否是人脸，这个模版计算的方式类似卷积方式。（Haar白色区域减黑色区域的模版有以下3种）。

  

  • 详情可见opencv的python官方文档🔜 🔗 opencv-python的官方文档 （人脸检测相关的在“物体检测”一栏中），关于如何制作数据，后面的机器学习单元时候会详细来说，如何通过机器学习来获得人脸训练数据。（官方文档可右键转中文）

    

• 实现人脸识别

  • 他的具体的实现代码如下所示：（默认的xml训练数据文件在 [🔗 训练数据百度网盘]密码: ictr)

  import cv2 as cv
  
  src = cv.imread("../source/jyz.jpeg")
  
  # 导入训练数据
  classifier = cv.CascadeClassifier("../source/haarcascade_frontalface_default.xml")
  
  # 1 源数据， 2 缩放系数 ，3最小检测次数（领域检测数据）
  faces = classifier.detectMultiScale(src, 1.3, 5)
  
  print("检测到人脸的数量：", len(faces))
  
  for face in faces:
      x = face[0]
      y = face[1]
      width = face[2]
      height = face[3]
      # 绘制蓝色的脸部区域矩形 （源数据；起点坐标；终点坐标；色值；边框宽度）
      cv.rectangle(src, (x, y), (x + width, y + height), (255, 0, 0), 4)
      cv.putText(src, "JinYuZhen", (x, y-10), cv.FONT_HERSHEY_COMPLEX, 1, (255, 0, 200), 2)
  
  cv.imshow("src", src)
  cv.waitKey()
  

  

  • 眼睛识别和脸部识别的大体逻辑也是一样的，除了这种方式，我们也可以在识别的脸部进行脸部识别。

  for face in faces:
  x = face[0]
  y = face[1]
  width = face[2]
  height = face[3]
  # 绘制蓝色的脸部区域矩形 （源数据；起点坐标；终点坐标；色值；边框宽度）
  cv.rectangle(src, (x, y), (x + width, y + height), (255, 0, 0), 4)
  cv.putText(src, "JinYuZhen", (x, y - 10), cv.FONT_HERSHEY_COMPLEX, 1, (255, 0, 200), 2)
  
  # 截取脸部图片ROI
  face_src = src[y:y + height, x:x + width]
  eyes = eyes_detect.detectMultiScale(face_src, 1.1, 5)
  
  # 获取眼睛的区域
  for eye in eyes:
      eye_x = eye[0]
      eye_y = eye[1]
      eye_w = eye[2]
      eye_h = eye[3]
      cv.rectangle(src, (eye_x+x, eye_y+y), (eye_x + eye_w+x, eye_y + eye_h+y), (0, 255, 0), 4)
  

  

  • 相机代码结合

  # 获取摄像头数据
  camera = cv.VideoCapture(0)
  width = camera.get(cv.CAP_PROP_FRAME_WIDTH)
  height = camera.get(cv.CAP_PROP_FRAME_HEIGHT)
  fps = camera.get(cv.CAP_PROP_FPS)
  
  # 物体识别
  faces = cv.CascadeClassifier("../source/haarcascade_frontalface_default.xml")
  
  
  while True:
      flag, frame = camera.read()
      if flag:
          src = cv.flip(frame, 1)
          face = faces.detectMultiScale(src, 1.1, 5)
          for face_array in face:
              f_x = face_array[0]
              f_y = face_array[1]
              f_w = face_array[2]
              f_h = face_array[3]
  
              # 生成变化矩阵
              cv.rectangle(src, (f_x, f_y), (f_x + f_w, f_y + f_h), (0, 255, 0), 4)
              cv.imshow("camera", src)
  
      key = cv.waitKey(int(1000 / fps))
  

---

过滤

• HSV 颜色模型

  

  • HSV(Hua色调，Saturation饱和度,Value亮度)，用角度来对应每一个RGB色值。他的用处比如计算整个图片的亮度值等等：

  import cv2 as cv
  import numpy as np
  
  src = cv.imread("../source/hang.jpeg")
  
  dst = cv.cvtColor(src, cv.COLOR_BGR2HSV)
  
  # 计算当前的图片的平均亮度
  average = np.sum(cv.split(dst)[2]) / (src.shape[0] * src.shape[1])
  
  print(average)
  

  • 以下案例是通过定义色调范围来取出图片的部分内容

  

  

  • 按照上述的色调来设置过滤出自己需要的颜色,比如这里我获取图片中所有的绿色部分。

  import cv2 as cv
  
  src = cv.imread("../source/android.png")
  hsv = cv.cvtColor(src, cv.COLOR_BGR2HSV)
  
  # 定义上下限(获取所有绿色部分)
  down_line = (26, 43, 46)
  up_line = (77, 255, 255)
  
  # 筛选需要的数据
  dst = cv.inRange(hsv, down_line, up_line)
  
  cv.imshow("src", src)
  cv.imshow("dst", dst)
  cv.waitKey()
  

  

  • 我们可以针对这种结果今年那行抠图（颜色命中区域为白色，未命中区域为黑色）。

  h = src.shape[0]
  w = src.shape[1]
  
  for i in range(h):
      for j in range(w):
          color = src2[i, j]
          if color == 0:
              # 将源数据非绿色区域全部设置为白色
              src[i, j] = 255
  

  

  • 将遍历的代码简化

  # for i in range(h):
  #     for j in range(w):
  #         color = src2[i, j]
  #         if color == 0:
  #             # 将源数据非绿色区域全部设置为白色
  #             src[i, j] = 255
  
  # 简化 上面内容，将src2中的内容如果为0,src对应的区块改为白色
  src[src2 == 0] = (255, 255, 255)
  

---

🔗 前言
🔗 机器人视觉篇
🔗 NO.1 机器视觉 前言
🔗 NO.2 机器视觉 几何变化 & 特效处理
🔗 NO.3 机器视觉 直方图 & 帧提取
🔗 NO.5 机器人视觉 二值化 & 卷积
🔗 NO.6 机器人视觉 霍夫检测 & 边缘查找
🔗 NO.7 C++中使用Opencv
🔗 NO.8 C++ 直方图 & 卷积
🔗 NO.9 C++ 匹配 & 变化
🔗 NO.10 C++ 图像算法