参考:python+opencv计算代码运行时间:time库和opencv自带方法getTickCount
cv2级联分类器CascadeClassifier
一、Haar特征分类器介绍
- Haar特征分类器就是一个XML文件,该文件中会描述人体各个部位的Haar特征值。包括人脸、眼睛、嘴唇等等。
- Haar特征分类器存放目录:opencv安装目录中的\data\ haarcascades目录下,opencv2.4.8版本下的Haar特征分类器如下:
haarcascade_eye.xml
haarcascade_eye_tree_eyeglasses.xml
haarcascade_frontalface_alt.xml
haarcascade_frontalface_alt_tree.xml
haarcascade_frontalface_alt2.xml
haarcascade_frontalface_default.xml
haarcascade_fullbody.xml
haarcascade_lefteye_2splits.xml
haarcascade_lowerbody.xml
haarcascade_mcs_eyepair_big.xml
haarcascade_mcs_eyepair_small.xml
haarcascade_mcs_leftear.xml
haarcascade_mcs_lefteye.xml
haarcascade_mcs_mouth.xml
haarcascade_mcs_nose.xml
haarcascade_mcs_rightear.xml
haarcascade_mcs_righteye.xml
haarcascade_mcs_upperbody.xml
haarcascade_profileface.xml
haarcascade_righteye_2splits.xml
haarcascade_smile.xml
haarcascade_upperbody.xml
根据命名就可以很快知道各个分类器的用途。
其中:haarcascade_frontalface_alt.xml与haarcascade_frontalface_alt2.xml都是人脸识别的Haar特征分类器了。
二、detectMultiScale函数详解
cvHaarDetectObjects是opencv1中的函数,opencv2中人脸检测使用的是 detectMultiScale函数。它可以检测出图片中所有的人脸,并将人脸用vector保存各个人脸的坐标、大小(用矩形表示),函数由分类器对象调用:
void detectMultiScale(
const Mat& image,
CV_OUT vector<Rect>& objects,
double scaleFactor = 1.1,
int minNeighbors = 3,
int flags = 0,
Size minSize = Size(),
Size maxSize = Size()
);
函数介绍:
参数1:image--待检测图片,一般为灰度图像加快检测速度;
参数2:objects--被检测物体的矩形框向量组;
参数3:scaleFactor--表示在前后两次相继的扫描中,搜索窗口的比例系数。默认为1.1即每次搜索窗口依次扩大10%;
参数4:minNeighbors--表示构成检测目标的相邻矩形的最小个数(默认为3个)。
如果组成检测目标的小矩形的个数和小于 min_neighbors - 1 都会被排除。
如果min_neighbors 为 0, 则函数不做任何操作就返回所有的被检候选矩形框,
这种设定值一般用在用户自定义对检测结果的组合程序上;
参数5:flags--要么使用默认值,要么使用CV_HAAR_DO_CANNY_PRUNING,如果设置为
CV_HAAR_DO_CANNY_PRUNING,那么函数将会使用Canny边缘检测来排除边缘过多或过少的区域,
因此这些区域通常不会是人脸所在区域;
参数6、7:minSize和maxSize用来限制得到的目标区域的范围。
三、程序运行时间检测
-
秒级
-
getTickcount()函数:它返回从操作系统启动到当前所经的计时周期数。
-
getTickFrequency()函数:返回每秒的计时周期数。
-
微秒级
-
GetTickCount()
-
GetTickFrequency()
# cv2.getTickCount()记录当前时间,cv2.getTickFrequency()是时钟周期
start = cv2.getTickCount()
# 记录当前时间,以时钟周期计算
sum = 0
for i in range(100000):
sum += i
# 以上执行代码,用于测试执行上述代码需要多长时间
end = cv2.getTickCount()
# 记录当前时间
during1 = (end - start) / cv2.getTickFrequency()
# 计算代码运行的时间消耗,其中最后一个参数是时钟周期
print(during1)
四、程序源码-Python实现
# encoding:utf-8
import cv2
import numpy as np
Time = cv2.getTickCount() #;这里加;也不会报错 不过python更倾向于一行一条语句,简单直白 # 计算一下运行时间
# 运行之前,检查cascade文件路径是否在相应的目录下
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml')
# 读取图像
#img =cv2.imread('img/girl.jpg')
img =cv2.imread('img/girl1.png');
#img =cv2.imread('img/girl2.jpg')
#img =cv2.imread('img/timg.jpg')
#img =cv2.imread('img/test.jpeg')
#img =cv2.imread('img/兔子.jpg')
#img =cv2.imread('img/纳兹.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #将图片进行灰度处理
# 检测脸部
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30), flags=cv2.CASCADE_SCALE_IMAGE)
print('Detected ', len(faces), ' face!')
for (x, y, w, h) in faces:
img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
roi_gray = gray[y: y + h, x: x + w]
roi_color = img[y: y + h, x: x + w]
eyes = eye_cascade.detectMultiScale(roi_gray)
for(ex, ey, ew, eh) in eyes:
cv2.rectangle(roi_color, (ex, ey), (ex + ew, ey + eh), (0, 255, 0), 2)
cv2.imshow('img', img) #显示图片
Time = cv2.getTickCount() - Time #; #计算运行时间
print( "run time = ", Time /cv2.getTickFrequency() ) #; #秒
cv2.waitKey(0)
cv2.destroyAllWindows()
运行效果: