机器学习:opencv--人脸检测以及微笑检测

目录

前言

一、人脸检测的原理

1.特征提取

2.分类器

二、代码实现

1.图片预处理

2.加载分类器

3.进行人脸识别

4.标注人脸及显示

三、微笑检测


前言

        人脸检测是计算机视觉中的一个重要任务,旨在自动识别图像或视频中的人脸。它可以用于多种应用,如安全监控、身份验证、人机交互等。

 

一、人脸检测的原理

1.特征提取

  • Haar特征

    • 基于Haar小波变换,通过简单的矩形特征(如眼睛、鼻子、嘴巴的对比)来识别图像中的人脸。
    • Haar特征计算速度快,适合实时应用。

 

2.分类器

        这里使用的是python自带的库的分类器模型,是一种级联分类器

  • 分类器需要对图像的多个特征进行识别。
  1. 例如,在识别一个动物是狗(正类)还是其他动物(负类)时,直接根据多个条件进行判断,流程是非常烦琐的。
  2. 如果先判断该动物有几条腿。有四条腿的动物被判断为可能为狗,并对此范围内的对象继续进行分析和判断。
  3. 没有四条腿的动物直接被否决,即不可能是狗。
  4. 只通过比较腿的数目就能排除样本集中大量的负类(如鸡、鸭、鹅等不是狗的动物的实例)。
  5. 级联分类器就是基于这种思路将多个简单的分类器按照一定的顺序级联而成的。

 

二、代码实现

1.图片预处理

import cv2

image = cv2.imread('quanjiafu2.jpg')
image = cv2.resize(image, None, fx=0.4, fy=0.4)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

 

2.加载分类器

"""-----------------加载分类器----------------"""
faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

 

3.进行人脸识别

"""------------------- 分类器检测实现人脸识别--------------"""
# objects = cv2.CascadeClassifier,detectMultiscale( imagel, scaleFactor[,minNeighbors[,flags[,minsize[, maxsize]]]]])
# 其中,各个参数及返回值的含义如下:
# image:待检测图像,通常为灰度图像。
# scaleFactor:表示在前后两次相继扫描中搜索窗口的缩放比例。识别,扫描,按照不同比例来进行扫描
# minNeighbors:表示构成检测目标的相邻矩形的最小个数。在默认情况下,该参数的值为 3,
#           表示有 3 个以上的检测标记存在时才认为存在人脸。如果希望提高检测的准确率可以将该参数的值设置得更大。
#           但这样做可能会让一些人脸无法被检测到。
# flags: 该参数通常被省略。在使用低版本 OpencV(opencV 1.X 版本)时,该参数可能会被设置为
# CV_HAAR_DO_CANNY_PRUNING,表示使用 Canny 边缘检测器拒绝一些区域。
# minSize:目标的最小尺寸,小于这个尺寸的目标将被忽略。
# maxSize: 目标的最大尺寸,大于这个尺寸的目标将被忽略。通常情况下,将该可选参数省略即可
#           若 maxsize 和 minsize 大小一致,则表示仅在一个尺度上食找目标。
# objects: 返回值. 目标对象的矩形框向量组。该值是一组矩形信息.
#           包含每个检测到的人脸对应的矩形框的信息(x轴方向位置、y轴方向位置、宽度、高度)

faces = faceCascade.detectMultiScale(gray, scaleFactor=1.05, minNeighbors=5, minSize=(8, 8))
print("发现{0}张人脸!".format(len(faces)))
print("其位置分别是:", faces)

 

4.标注人脸及显示

"""---------------标注人脸及显示------------------"""
for (x, y, w, h) in faces:
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
cv2.imshow('result', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出:

 

三、微笑检测

  • 微笑检测是在人脸检测的基础上进行的
    1. 加载微笑检测分类器
    2. 打开摄像头
    3. 检测一帧图片
    4. 进行人脸检测
    5. 提取出每张人脸所在的矩形区域
    6. 对该矩形区域进行微笑检测
    7. 微笑时,在矩形框的左上角表上smile
    8. 按下esc结束
import cv2

faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
smile = cv2.CascadeClassifier('haarcascade_smile.xml')

cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    frame = cv2.flip(frame, 1)  # 图片翻转 水平翻转
    if not ret:
        break
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    faces = faceCascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=10, minSize=(5, 5))

    """--------处理每张人脸-------"""
    for (x, y, w, h) in faces:
        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
        # 提取人脸所在区域 多通道形式
        # roiColorFace = frame[y:y+h,x:x+w]
        # 单通道形式
        roi_gray_face = gray[y:y + h, x:x + w]
        # 微笑检测
        smiles = smile.detectMultiScale(roi_gray_face, scaleFactor=1.5, minNeighbors=10, minSize=(50, 50))

        for (sx, sy, sw, sh) in smiles:
            cv2.putText(frame, "smile", (x, y), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 255), 2)

    cv2.imshow('result', frame)
    a = cv2.waitKey(100)
    if a == 27:
        break

print(frame.shape)
# 释放摄像头赟源
cap.release()
# 关闭所有openCV创建的窗口
cv2.destroyAllWindows()
上一篇:如何有效参与机器人顶会?——周易教授PRE-IROS 2024分享


下一篇:智能驾驶|迈向智能出行未来,AI如何应用在自动驾驶?