13.2人臉檢測目錄13.2.1人臉檢測簡介13.2.2圖像預處理13.2.3Haar特征分類器13.2.4人臉檢測程序人臉檢測

人臉檢測與識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術。用攝像機或相機采集含有人臉的視頻流或圖像，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術，通常也叫做人像識別、面部識別。13.2.1人臉檢測簡介1.加載分類器，找到分類器的位置，如*\opencv\sources\data\haarcascades（harr分類器）。2.調用detectMultiScale()函數(shù)進行檢測，調整函數(shù)的參數(shù)可以使檢測結果更加精確。3.

把檢測到的人臉等用矩形（或者圓形等其他圖形）標記出來。13.2.1人臉檢測簡介

調用OpenCV訓練好的分類器和自帶的檢測函數(shù)檢測人臉、人眼等的步驟如下：010302

圖像預處理，先把圖像轉化為灰度圖像。使用的OpenCV函數(shù)是：gray=cv2.cvtColor(image,cv.COLOR_BGR2GRAY)這樣的轉化可能會造成圖像的灰度值分布不均勻，通常認為，對所有可用像素強度值都均衡使用，才是一副高質量的圖像。所以我們需要讓圖像的灰度直方圖盡可能的平穩(wěn)，OpenCV提供了一個簡單好用的均衡化函數(shù)。提高對比度和增加亮度使用的OpenCV函數(shù)是new_img=cv2.addWeighted(img,c,new_img,1-c,b)

其中c是對比度倍數(shù)，b是亮度增加數(shù)。13.2.2圖像預處理cv2.equalizeHist(gray,gray)直方圖均衡化是通過拉伸像素強度分布范圍來增強圖像對比度的一種方法，在一個完全均衡化的直方圖中，圖像中所包含的像素數(shù)量是相等的①Haar特征是浮點數(shù)計算，LBP特征是整數(shù)計算；②LBP訓練需要的樣本數(shù)量比Haar大；③LBP的速度一般比Haar快；④同樣的樣本Haar訓練出來的檢測結果要比LBP準確；13.2.3Haar特征分類器利用OpenCV自帶的xml文件，可以實時檢測攝像頭中人臉Haar特征或LBP特征，它們描述不同的局部信息，Haar描述的是圖像在局部范圍內像素值明暗變換信息，LBP描述的是圖像在局部范圍內對應的紋理信息，Haar與LBP區(qū)別：⑤擴大LBP的樣本數(shù)據(jù)可達到Haar的訓練效果13.2.3Haar特征分類器Haar特征分類器是一個xml文件，文件描述了檢測物體的Haar特征值，Haar分類器需要通過大量的數(shù)據(jù)來訓練。Haar特征包括三類特征：邊緣特征、線性特征、中心特征和對角線特征，組合成特征模板。特征模板內有白色和黑色兩種矩形，并定義該模板的特征值為白色矩形像素和減去黑色矩形像素和。Haar特征值反映了圖像的灰度變化情況，如臉部的一些特征能由矩形特征簡單的描述，如：眼睛要比臉頰顏色要深，鼻梁兩側比鼻梁顏色要深，嘴巴比周圍顏色要深等。但矩形特征只對一些簡單的圖形結構，如邊緣、線段較敏感，所以只能描述特定走向（水平、垂直、對角）的結構。13.2.4人臉檢測程序對圖像進行人臉特征矩形檢測，符合人臉特征的區(qū)域會被認定為人臉。在開始人臉檢測時，需要加載Haar分類器。循環(huán)讀取人臉的矩形對象列表，獲得人臉矩形的坐標和寬高，然后在原圖像中畫出該矩形框，調用的是OpenCV的rectangle方法，其中矩形框的顏色等是可調整的，putText函數(shù)是在圖像上加文字信息（如文字、位置、字體、大小、顏色、粗細等）。在人臉檢測中用到的檢測函數(shù)是detectMultiScale()，它可以檢測出圖像中所有的人臉，并將人臉用向量保存各個人臉的坐標、大?。ㄓ镁匦伪硎荆湔Z法格式為：objects=cv2.CascadeClassifier.detectMultiScale(image[,scaleFactor[,minNeighbors[,flags[,minSize[,maxSize]]]]])13.2.4人臉檢測程序其中輸入輸出參數(shù)如下：objects：表示被檢測物體的矩形框向量組；image：表示的是要檢測的輸入圖像，一般為灰度圖像，加快檢測速度；scaleFactor：表示在前后兩次相繼的掃描中，搜索窗口的比例系數(shù)。默認為1.1即每次搜索窗口依次擴大10%；minNeighbors：表示構成檢測目標的相鄰矩形的最小個數(shù)(默認為3個)。如果組成檢測目標的小矩形的個數(shù)和小于min_neighbors-1都會被排除。如果min_neighbors為0，則函數(shù)不做任何操作就返回所有的被檢候選矩形框，這種設定值一般用在用戶自定義對檢測結果的組合程序上；flags：使用默認值，或使用CV_HAAR_DO_CANNY_PRUNING。如果設置為CV_HAAR_DO_CANNY_PRUNING，那么函數(shù)將會使用Canny邊緣檢測來排除邊緣過多或過少的區(qū)域，這些區(qū)域通常不會是人臉所在區(qū)域；minSize為目標的最小尺寸，用來限制得到的目標區(qū)域的范圍；minSize為目標的最大尺寸，用來限制得到的目標區(qū)域的范圍。13.2.4人臉檢測程序使用haar分類器對人臉進行檢測，并檢測出眼睛和是否微笑。程序代碼如下：importcv2facehaar='C:/ProgramData/anaconda3/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml'eyehaar='C:/ProgramData/anaconda3/Lib/site-packages/cv2/data/haarcascade_eye.xml'smilehaar='C:/ProgramData/anaconda3/Lib/site-packages/cv2/data/haarcascade_smile.xml'

face_detector=cv2.CascadeClassifier(facehaar)#人臉分類器eye_detector=cv2.CascadeClassifier(eyehaar)#眼睛分類器smile_detector=cv2.CascadeClassifier(smilehaar)#微笑分類器

image=cv2.imread('d:/pics/face_smile1.jpg')gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)cv2.equalizeHist(gray,gray)cv2.imshow("Origin_img",image)faces=face_detector.detectMultiScale(gray,1.15,5)print("face",faces)13.2.4人臉檢測程序forx,y,w,hinfaces:cv2.rectangle(image,(x,y),(x+w,y+h),(0,0,255),2)cv2.imshow("face_rect",image)#把臉單獨拿出來檢測臉face_img=gray[y:y+h,x:w+x]cv2.imshow("face_img",face_img)eyes=eye_detector.detectMultiScale(face_img,1.3,5,0,(40,40))forex,ey,ew,ehineyes:cv2.rectangle(image,(x+ex,y+ey),(x+ex+ew,y+ey+eh),(255,0,0),2)#cv2.imshow("eyes_rect",image)smile=smile_detector.detectMultiScale(face_img,1.16,25,0,(25,25))if(len(smile)>=0):print("檢測到微笑")cv2.putText(image,'Smile',(x,y-20),3,1.3,(0,255,0),2)

cv