人脸检测

最新推荐文章于 2023-02-17 14:56:25 发布

Mason.Jiang

最新推荐文章于 2023-02-17 14:56:25 发布

阅读量490

点赞数

分类专栏：技术 opencv 文章标签： opencv 人脸检测

本文链接：https://blog.csdn.net/scorpioji/article/details/104175582

版权

本文介绍了使用OpenCV进行人脸检测的方法，重点讲述了级联分类器和Haar特征。级联分类器通过多个阶段逐步筛选特征，提高检测效率。Haar特征利用矩形描述图像灰度变化，用于区分人脸和非人脸。OpenCV的CascadeClassifier API提供了检测功能，detectMultiScale函数通过调整参数可以优化检测效果。

摘要由CSDN通过智能技术生成

一、Cascade Classification: 级联分类器

级联分类器不是同时检查所有6000个特征，而是将这些特征分组到不同的阶段，然后逐个去检查。(通常前几个阶段包含的特征数量较少)。

如果在第一阶段(下图中的f1)特征检查失败，我们就不继续检查其它的特征，直接抛弃它。

如果在第一阶段特征检查通过，则检查第二阶段(下图中的f2)并继续这个过程。当所有阶段都通过，则目标检测成功。

二、Haar(哈尔)

Haar-like特征分为三类：

Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述特定走向（水平、垂直、对角）的结构。

对于特征1中的图a, b, c和d这类特征，特征数值计算公式为：v=Σ白-Σ黑，而对于特征2中的图a, c, e和g来说，计算公式如下：v=Σ白-2*Σ黑；之所以将黑色区域像素和乘以2，是为了使两种矩形区域中像素数目一致。我们希望当把矩形放到人脸区域计算出来的特征值和放到非人脸区域计算出来的特征值差别越大越好，这样就可以用来区分人脸和非人脸。