人脸识别车牌检测-行人检测——Haar特征-级联分类器基础

人良爱编程

已于 2023-12-12 00:38:58 修改

阅读量1.4k

点赞数 16

分类专栏：简单的OpenCV 文章标签：深度学习人工智能机器学习

于 2023-12-12 00:36:05 首次发布

本文链接：https://blog.csdn.net/weixin_59786087/article/details/134933907

版权

简单的OpenCV 专栏收录该内容

3 篇文章 1 订阅

订阅专栏

本文介绍了人脸识别中的关键概念，如Haar特征和级联分类器，重点讲述了如何在Python中使用OpenCV实现人脸检测和戴墨镜效果的示例。通过级联分类器的实战应用，读者可以了解如何在实际项目中运用这些技术。

摘要由CSDN通过智能技术生成

近期在学校接触到了简单的人脸识别，了解了基础的Haar特征、级联分类器、Adaboost分类器概念。但了解并不深入，如果有想实现相关效果的，可以参考我的级联分类器使用方法。也做了个戴墨镜小的实例，在此分享一下。欢迎大家讨论。

前置知识

Haar特征

Haar特征是一种图像处理中的特征提取方法，用于描述图像中的纹理、边缘和线条等特征。

将图像划分成不同大小、不同形状的小矩形区域，对每个区域内的像素进行加权求和得到一个特定的Haar特征值。这些Haar特征值可以作为分类器的输入，例如在人脸识别中就可以用Haar特征检测人脸的位置、大小和方向等信息。

Haar特征经常用在人脸识别中，它可以通过训练一个分类器来检测人脸的各种属性.计算速度相对较快，并且在处理大量数据时表现稳定，使其成为计算机视觉领域中比较受欢迎的特征提取方法之一。

级联分类器

级联分类器主要用于人脸检测，但也可以用于识别其它物体。级联分类器具有高检测精度和快速检测速度的特点。级联分类器的实现依赖于AdaBoost算法。AdaBoost是一种集成学习方法可以将多个弱分类器组合成一个强分类器。

级联分类器的检测过程分为多个步骤。首先是图像预处理、图像转换为灰度图像、归一化、直方图均衡化。接着，级联分类器将在图像的不同位置和不同大小的窗口中，对每个窗口进行Haar特征的计算。计算得到的Haar特征值会被送入AdaBoost分类器进行分类，如果分类器的输出值大于预设的阈值，则认为当前窗口中有目标物体。

实战

实现人脸识别检测

加载级联分类器，使用分类器识别图像

1.加载分类器

<CascadeCalsssifier object> = cv2.CascadeCkassifile(filename)

Filename：级联分类器的xml文件名

返回值：object：分类器对象

2.使用建好的分类器对图像进行识别

Object=cascade.derectMultiScale(image,scaleFactor.minNEIGHBORS,flags,minSize,maxSize)

Image 待分析的图像

scaleFacator 可选参数扫描时的缩放比例

MinNeighbors 可选参数每个候选区域至少保留多少个检测结果才可以判定为人脸,该值越大分析的误差越小

级联分类器文件

在此路径下

x:\xxx\Anaconda\Lib\site-packages\cv2\data

XML文件名	检测内容
haarcascade_eye.xml	眼睛检测
haarcascade_eye_tree_eyeglasses.xml	眼睛树和眼镜检测
haarcascade_frontalcatface.xml	正面猫脸检测
haarcascade_frontalface_default.xml	正面人脸检测
haarcascade_fullbody.xml	身形检测
haarcascade_lefteye_2splits.xml	左眼检测
haarcascade_lowerbody.xml	下半身检测
haarcascade_profileface.xml	侧面人脸检测
haarcascade_righteye_2splits.xml	右眼检测
haarcascade_russian_plate_number.xml	车牌检测
haarcascade_smile.xml	笑容检测
haarcascade_upperbody.xml	上半身检测

人脸识别示例

实现对人戴墨镜效果

import cv2
def overlay_img(img, img_over, img_over_x, img_over_y):
    img_h, img_w, img_p = img.shape
    img_over_h, img_over_w, img_over_c = img_over.shape
    if img_over_c == 3:
        img_over = cv2.cvtColor(img_over, cv2.COLOR_BGRA2BGR)
    for w in range(0, img_over_w):
        for h in range(0, img_over_h):
            if img_over[h, w, 3] != 0:
                for c in range(0, 3):
                    x = img_over_x + w
                    y = img_over_y + h
                    if x >= img_w or y >= img_h:
                        break
                    img[y, x, c] = img_over[h, w, c]
    return img
face_img = cv2.imread(r"D:\Program Files (x86)\PyCharmProject\pythonProject\ren.png")
glass_img = cv2.imread(r"D:\Program Files (x86)\PyCharmProject\pythonProject\glass.png", cv2.IMREAD_UNCHANGED)

face_cascade = cv2.CascadeClassifier(r"D:\Program Files\Anaconda\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml")
gray_frame = cv2.cvtColor(face_img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray_frame, 1.3, 5)

for (x, y, w, h) in faces:
    gw = w
    gh = int(glass_img.shape[0] * w / glass_img.shape[1])
    glass_img_resized = cv2.resize(glass_img, (gw, gh))
    overlay_img(face_img, glass_img_resized, x, y + int(h * 1 / 3))

cv2.imshow("screen", face_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

示例

行人检测

import cv2  
  
# 读取图像  
img = cv2.imread("e:/image/monitoring.jpg")  
  
# 加载识别人体的级联分类器  
bodyCascade = cv2.CascadeClassifier("cascades/haarcascade_fullbody.xml")   
  
# 识别所有的人体  
bodies = bodyCascade.detectMultiScale(img, 1.15, 4)  

# 遍历所有人体的区域并在图像中绘制方框  
for (x, y, w, h) in bodies:  
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)  
  
# 显示最终处理效果  
cv2.imshow("img", img)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

车牌检测

import cv2  
  
# 读取图像  
img = cv2.imread("c:/image/car.jpg")  
  
# 加载识别车牌的级联分类器  
plateCascade = cv2.CascadeClassifier("cascadehaarcascade_russian_plate_number.xml") # 注意文件后缀，通常应该是.xml而不是.xm1  
  
# 识别出所有车牌  
plates = plateCascade.detectMultiScale(img, 1.15, 4)  
  
# 遍历所有车牌区域  
for (x, y, w, h) in plates:  
    # 在图像中车牌的位置绘制方框  
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 5)  
  
# 显示最终处理的效果  
cv2.imshow("Image", img)
  
# 按下任何键盘按键后  
cv2.waitKey(0) # 参数为0表示无限等待，也可以传入参数表示等待的毫秒数  
  
# 释放所有窗体  
cv2.destroyAllWindows()