OpenCV---人脸检测

一：相关依赖文件下载

https://github.com/opencv/opencv

 

二：实现步骤（图片检测）

（一）读取图片

image= cv.imread("./d.png")  #读取图片

（二）灰度转换

gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) #在灰度图像基础上实现的

（三）获取人脸识别训练数据

face_detector = cv.CascadeClassifier("./haarcascade_frontalface_alt_tree.xml")  #级联检测器获取文件

这个xml文件，就是opencv在GitHub上共享出来的具有普适的训练好的数据。我们可以直接的拿来使用

（四）探测人脸，获取相关数据

faces = face_detector.detectMultiScale(gray,1.1,)

#第一个参数是灰度图像
#第二个参数是尺度变换，就是向上或者向下每次是原来的多少倍，这里是1.02倍
#第三个参数是人脸检测次数，设置越高，误检率越低，但是对于迷糊图片，我们设置越高，越不易检测出来，要适当降低

（五）根据相关数据在原图像上画出人脸位置

    for x,y,w,h in faces:
        cv.rectangle(image,(x,y),(x+w,y+h),(,,),)
    cv.imshow("face_detection",image)

（六）全部代码

import cv2 as cv
import numpy as np

def face_detect_demo(image):
    gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) #在灰度图像基础上实现的
    face_detector = cv.CascadeClassifier("./haarcascade_frontalface_alt_tree.xml")  #级联检测器获取文件
    faces = face_detector.detectMultiScale(gray,1.1,)    #在多个尺度空间上进行人脸检测
    #第一个参数是灰度图像
    #第二个参数是尺度变换，就是向上或者向下每次是原来的多少倍，这里是1.02倍
    #第三个参数是人脸检测次数，设置越高，误检率越低，但是对于迷糊图片，我们设置越高，越不易检测出来，要试单降低
    for x,y,w,h in faces:
        cv.rectangle(image,(x,y),(x+w,y+h),(,,),)
    cv.imshow("face_detection",image)

src = cv.imread("./d.png")  #读取图片
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)    #创建GUI窗口,形式为自适应
cv.imshow("input image",src)    #通过名字将图像和窗口联系

face_detect_demo(src)

cv.waitKey()   #等待用户操作，里面等待参数是毫秒，我们填写0，代表是永远，等待用户操作
cv.destroyAllWindows()  #销毁所有窗口

三：实现视频检测人脸

步骤相同，我们只需要将视频中每一帧图像进行处理，调用上面的图像人脸检测即可

import cv2 as cv
import numpy as np

def face_detect_demo(image):
    gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) #在灰度图像基础上实现的
    face_detector = cv.CascadeClassifier("./haarcascade_frontalface_default.xml")  #级联检测器获取文件
    faces = face_detector.detectMultiScale(gray,1.1,)    #在多个尺度空间上进行人脸检测
    #第一个参数是灰度图像
    #第二个参数是尺度变换，就是向上或者向下每次是原来的多少倍，这里是1.02倍
    #第三个参数是人脸检测次数，设置越高，误检率越低，但是对于迷糊图片，我们设置越高，越不易检测出来，要试单降低
    for x,y,w,h in faces:
        cv.rectangle(image,(x,y),(x+w,y+h),(,,),)
    cv.imshow("face_detection",image)

def video_face_detect():
    capture = cv.VideoCapture()
    while True:
        ret,frame = capture.read()  #frame是每一帧图像，ret是返回值，为0是表示图像读取完毕
        frame = cv.flip(frame,)
        if ret == False:
            break
        face_detect_demo(frame)
        c = cv.waitKey()
        if c == :
            break

video_face_detect()

cv.waitKey()   #等待用户操作，里面等待参数是毫秒，我们填写0，代表是永远，等待用户操作
cv.destroyAllWindows()  #销毁所有窗口

相关知识补充：

（一）CascadeClassifier级联分类器

是Opencv中做人脸检测的时候的一个级联分类器
有两种选择：一是使用老版本的CvHaarClassifierCascade函数，一是使用新版本的CascadeClassifier类。
老版本的分类器只支持类Haar特征，而新版本的分类器既可以使用Haar，也可以使用LBP特征。

基本原理

xml中存放的是训练后的特征池，特征size大小根据训练时的参数而定，检测的时候可以简单理解为就是将每个固定size特征（检测窗口）与输入图像的同样大小区域比较，如果匹配那么就记录这个矩形区域的位置，然后滑动窗口，检测图像的另一个区域，重复操作。

由于输入的图像中特征大小不定，比如在输入图像中眼睛是50x50的区域，而训练时的是25x25，那么只有当输入图像缩小到一半的时候，才能匹配上，所以这里还有一个逐步缩小图像，也就是制作图像金字塔的流程。

cascPath = "./haarcascade_frontalface_default.xml"
cv2.CascadeClassifier(cascPath)　　#构造方法加载入xml特征文件

detectMultiScale方法

faces = faceCascade.detectMultiScale(gray,1.1,,)

def detectMultiScale(self, image, scaleFactor=None, minNeighbors=None, flags=None, minSize=None, maxSize=None): # real signature unknown; restored from __doc__

#第一个参数image：是灰度图像
#第二个参数scaleFactor：是尺度变换，就是向上或者向下每次是原来的多少倍，这里是1.02倍
#第三个参数minNeighbors：是人脸检测次数，设置越高，误检率越低，但是对于迷糊图片，我们设置越高，越不易检测出来，要适当降低
#第四个参数flags：
　　CASCADE_DO_CANNY_PRUNING=1, 利用canny边缘检测来排除一些边缘很少或者很多的图像区域 
　　CASCADE_SCALE_IMAGE=2, 正常比例检测 CASCADE_FIND_BIGGEST_OBJECT=4, 只检测最大的物体 
　　CASCADE_DO_ROUGH_SEARCH=8 初略的检测
#最后两个参数用来限制得到的目标区域的范围

注意：

flags对于新的分类器没有用

设置minNeighbors：是在人脸附近进行指定次数的检测，获取最准确的范围，设置越高，误检率越低，但是对于迷糊图片，我们设置越高，越不易检测出来，要适当降低