1 基础

我们使用机器学习的方法完成人脸检测，首先需要大量的正样本图像（面部图像）和负样本图像（不含面部的图像）来训练分类器。我们需要从其中提取特征。下图中的 Haar 特征会被使用，就像我们的卷积核，每一个特征是一个值，这个值等于黑色矩形中的像素值之后减去白色矩形中的像素值之和。

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，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。

Haar特征可用于于图像任意位置，大小也可以任意改变，所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化，使得很小的检测窗口含有非常多的矩形特征。

得到图像的特征后，训练一个决策树构建的adaboost级联决策器来识别是否为人脸。

2.实现

OpenCV中自带已训练好的检测器，包括面部，眼睛，猫脸等，都保存在XML文件中，我们可以通过以下程序找到他们：

import cv2 as cv
print(cv.__file__)

找到的文件如下所示：

那我们就利用这些文件来识别人脸，眼睛等。检测流程如下：

读取图片，并转换成灰度图

实例化人脸和眼睛检测的分类器对象

# 实例化级联分类器
classifier =cv.CascadeClassifier( "haarcascade_frontalface_default.xml" )
# 加载分类器
classifier.load('haarcascade_frontalface_default.xml')

进行人脸和眼睛的检测
```
rect = classifier.detectMultiScale(gray, scaleFactor, minNeighbors, minSize,maxsize) 
```
参数：
- Gray: 要进行检测的人脸图像
- scaleFactor: 前后两次扫描中，搜索窗口的比例系数
- minneighbors：目标至少被检测到minNeighbors次才会被认为是目标
- minsize和maxsize: 目标的最小尺寸和最大尺寸
将检测结果绘制出来就可以了。

主程序如下所示：

import cv2 as cv
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = [u'SimHei']
plt.rcParams['axes.unicode_minus'] = False# 1.以灰度图的形式读取图片
img = cv.imread("img/tly.jpg")
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)# 2. 实例化OpenCV人脸和眼睛识别的分类器
# 2.1 实例化级联分类器
face_cas = cv.CascadeClassifier( "C:\\ProgramData\\Anaconda3\\envs\\py37\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_default.xml" )
# 2.1 加载分类器
face_cas.load('C:\\ProgramData\\Anaconda3\\envs\\py37\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_default.xml')
# 2.2 实例化级联分类器
eyes_cas = cv.CascadeClassifier("C:\\ProgramData\\Anaconda3\\envs\\py37\\Lib\\site-packages\\cv2\\data\\haarcascade_eye.xml")
# 2.2 加载分类器
eyes_cas.load("C:\\ProgramData\\Anaconda3\\envs\\py37\\Lib\\site-packages\\cv2\\data\\haarcascade_eye.xml")# 3.调用识别人脸
"""rect = classifier.detectMultiScale(gray, scaleFactor, minNeighbors, minSize,maxsize) Gray: 要进行检测的人脸图像scaleFactor: 前后两次扫描中，搜索窗口的比例系数minneighbors：目标至少被检测到minNeighbors次才会被认为是目标minsize和maxsize: 目标的最小尺寸和最大尺寸
"""
faceRects = face_cas.detectMultiScale(gray=gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))
for faceRect in faceRects:x, y, w, h = faceRect# 框出人脸cv.rectangle(img, (x, y), (x + h, y + w),(0,255,0), 3)# 4.在识别出的人脸中进行眼睛的检测roi_color = img[y:y+h, x:x+w]roi_gray = gray[y:y+h, x:x+w]eyes = eyes_cas.detectMultiScale(roi_gray)for (ex,ey,ew,eh) in eyes:cv.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
# 5. 检测结果的绘制
plt.figure(figsize=(8,6),dpi=100)
plt.imshow(img[:,:,::-1]),plt.title('检测结果')
plt.xticks([]), plt.yticks([])
plt.show()

结果：

此处报错：
cv2.error: OpenCV(3.4.5) C:\projects\opencv-python\opencv\modules\objdetect\src\cascadedetect.cpp:1698: error: (-215:Assertion failed) !empty() in function ‘cv::CascadeClassifier::detectMultiScale’
解决方案：

【在虚拟环境下完美解决】1698: error: (-215:Assertion failed) empty() in function cv::CascadeClassifier_李大狗的读研日记-CSDN博客https://blog.csdn.net/qq_39237205/article/details/122085915https://blog.csdn.net/qq_39237205/article/details/122085915

我们也可在视频中对人脸进行检测：

import cv2 as cv
import matplotlib.pyplot as plt
# 1.读取视频
cap = cv.VideoCapture("movie.mp4")
# 2.在每一帧数据中进行人脸识别
while(cap.isOpened()):ret, frame = cap.read()if ret==True:gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)# 3.实例化OpenCV人脸识别的分类器 face_cas = cv.CascadeClassifier( "haarcascade_frontalface_default.xml" ) face_cas.load('haarcascade_frontalface_default.xml')# 4.调用识别人脸 faceRects = face_cas.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32)) for faceRect in faceRects: x, y, w, h = faceRect # 框出人脸 cv.rectangle(frame, (x, y), (x + h, y + w),(0,255,0), 3) cv.imshow("frame",frame)if cv.waitKey(1) & 0xFF == ord('q'):break
# 5. 释放资源
cap.release()
cv.destroyAllWindows()

总结

opencv中人脸识别的流程是：

读取图片，并转换成灰度图
实例化人脸和眼睛检测的分类器对象

# 实例化级联分类器
classifier =cv.CascadeClassifier( "haarcascade_frontalface_default.xml" )
# 加载分类器
classifier.load('haarcascade_frontalface_default.xml')

进行人脸和眼睛的检测

rect = classifier.detectMultiScale(gray, scaleFactor, minNeighbors, minSize,maxsize)

将检测结果绘制出来就可以了。

我们也可以在视频中进行人脸识别

人脸识别案例：【实战】opencv人脸检测+Haar特征分类器相关推荐

opencv 人脸识别_python基于openCV人脸识别18行代码实现
人脸识别一.安装 1.打开命令行,输入pip install numpy,安装numpy. 2.安装opencv. pip install opencv-python 二.实现 (1)获取人脸识别训 ...
opencv 训练人脸对比_【项目案例python与人脸识别】基于OpenCV开源计算机视觉库的人脸识别之python实现...
" 本项目是一个基于OpenCV开源库使用python语言程序实现人脸检测的项目,该项目将从[项目基础知识](即人脸识别的基本原理).[项目实践](人脸识别所需要的具体步骤及其python程 ...
OpenCV中视频操作及人脸识别案例
目录 OpenCV中视频操作及人脸识别案例视频操作视频读写从文件中读取视频并播放保存视频小结视频追踪 meanshift Camshift 算法总结小结案例:人脸案例人脸识别基础实 ...
OpenCv人脸识别开发实战
一.OpenCV简介 OpenCV(全称:Open Source Computer Vision Library),是一个跨平台的计算机视觉库.OpenCV可用于开发实时的图像处理.计算机视觉以及模式 ...
【opencv人脸识别1】从图片中检测人脸
[opencv人脸识别一]从图片中检测人脸本系列主要讲述利用opencv实现人脸识别的相关知识,并给出实际代码.且循序渐进,由基础到复杂,从最基本的图片检测人脸到视频检测.识别人脸,再到较大型人脸数 ...
OpenCV中基于Haar特征和级联分类器的人脸检测
使用机器学习的方法进行人脸检测的第一步需要训练人脸分类器,这是一个耗时耗力的过程,需要收集大量的正负样本,并且样本质量的好坏对结果影响巨大,如果样本没有处理好,再优秀的机器学习分类算法都是零. 今年3 ...
OpenCV中基于Haar特征和级联分类器的人脸检测(三）
使用机器学习的方法进行人脸检测的第一步需要训练人脸分类器,这是一个耗时耗力的过程,需要收集大量的正负样本,并且样本质量的好坏对结果影响巨大,如果样本没有处理好,再优秀的机器学习分类算法都是零. 今年3 ...
opencv人脸识别（二）人脸检测
前面一文我们介绍了电脑打开摄像头,没基础的小伙伴可以点下面链接去看看 opencv人脸识别(一)调用笔记本摄像头本文我将介绍opencv人脸检测,我使用的是LBP特征级联分类器,这个模型是2016年 ...
opencv + face_recognition —— 人脸识别案例
文章目录 opencv + face_recognition -- 人脸识别案例 0. 版本信息 1. 导包 2. 识别图片中的面部 3. 实现摄像头中的面部追踪 4. 人脸追踪+识别,分析出不同的人 ...

人脸识别案例：【实战】opencv人脸检测+Haar特征分类器

1 基础

2.实现

那我们就利用这些文件来识别人脸，眼睛等。检测流程如下：

此处报错：
cv2.error: OpenCV(3.4.5) C:\projects\opencv-python\opencv\modules\objdetect\src\cascadedetect.cpp:1698: error: (-215:Assertion failed) !empty() in function ‘cv::CascadeClassifier::detectMultiScale’
解决方案：

我们也可在视频中对人脸进行检测：

人脸识别案例：【实战】opencv人脸检测+Haar特征分类器相关推荐

最新文章

热门文章

人脸识别案例：【实战】opencv人脸检测+Haar特征分类器

1 基础

2.实现

那我们就利用这些文件来识别人脸，眼睛等。检测流程如下：

此处报错： cv2.error: OpenCV(3.4.5) C:\projects\opencv-python\opencv\modules\objdetect\src\cascadedetect.cpp:1698: error: (-215:Assertion failed) !empty() in function ‘cv::CascadeClassifier::detectMultiScale’ 解决方案：

我们也可在视频中对人脸进行检测：

人脸识别案例：【实战】opencv人脸检测+Haar特征分类器相关推荐

最新文章

热门文章

此处报错：
cv2.error: OpenCV(3.4.5) C:\projects\opencv-python\opencv\modules\objdetect\src\cascadedetect.cpp:1698: error: (-215:Assertion failed) !empty() in function ‘cv::CascadeClassifier::detectMultiScale’
解决方案：