日韩电影一区二区,1成在人线AV无码免费看

主頁 > 知識庫 > 超詳細(xì)注釋之OpenCV Haar級聯(lián)檢測器進(jìn)行面部檢測

超詳細(xì)注釋之OpenCV Haar級聯(lián)檢測器進(jìn)行面部檢測

人臉檢測結(jié)果是最穩(wěn)定和準(zhǔn)確的。不幸的是，在許多情況下，眼睛檢測和嘴巴檢測結(jié)果是不可用的——對于面部特征/部分提取，強(qiáng)烈建議使用python，dlib，OpenCV提取眼睛，鼻子，嘴唇及下頜，dlib的檢測要比眼睛Haar級聯(lián)，嘴巴Haar級聯(lián)本身更穩(wěn)定，甚至更快。

Haar級聯(lián)算法是OpenCV最流行的目標(biāo)檢測算法，主要優(yōu)點(diǎn)是速度太快了，盡管許多算法（如HOG+線性SVM、SSDs、更快的R-CNN、YOLO等等）比Haar級聯(lián)算法更精確。但如果需要純粹的速度，就是無法打敗OpenCV的Haar cascades。

Haar Cascades尤其是在資源受限的設(shè)備中工作時，當(dāng)無法使用更昂貴的計(jì)算對象檢測器時，效果顯著。Haar級聯(lián)的缺點(diǎn)是容易出現(xiàn)假陽性檢測，應(yīng)用于推理/檢測時需要進(jìn)行參數(shù)調(diào)整。

1. 效果圖

Haar級聯(lián)檢測的效果如下：

可以看到圖中有固定大小的面在移動，就可以“訓(xùn)練”分類器來識別圖像的給定區(qū)域是否包含人臉。

面部、眼睛、嘴部檢測效果圖如下：

有時候會有假陽性結(jié)果，如下圖：
可以看到檢測并不是最準(zhǔn)確的，臉部是準(zhǔn)確的，但嘴和眼睛級聯(lián)發(fā)生好幾個假陽性。當(dāng)眨眼時，有兩種情況發(fā)生：（1）眼睛區(qū)域不再被檢測到，或者（2）它被錯誤地標(biāo)記為嘴巴，在許多幀中往往有多個嘴巴檢測結(jié)果。

2. 原理

2.1 Haar級聯(lián)是什么？

Haar級聯(lián)檢測5個特征：邊緣特征、線特征、四角-矩形的特征，計(jì)算特征需要從黑色區(qū)域下的像素總和中減去白色區(qū)域下的像素總和。有趣的是，這些特征在人臉檢測中具有實(shí)際的重要性：

眼睛區(qū)域往往比臉頰區(qū)域暗。
鼻子區(qū)域比眼睛區(qū)域亮。

給定這五個矩形區(qū)域及其相應(yīng)的和差，就可以形成能夠?qū)θ四樀母鱾€部分進(jìn)行分類的特征。

Haar級聯(lián)的一些好處是，由于使用了積分圖像（也稱為求和面積表），它們在計(jì)算類似Haar的特征時非?？?。通過使用AdaBoost算法，它們對特征選擇也非常有效。最重要的是，它們可以檢測圖像中的人臉，而不考慮人臉的位置或比例。

2.2 Haar級聯(lián)的問題與局限性

Haar級聯(lián)檢測器的問題與局限主要有3點(diǎn)：

需要最有效的正面圖像的臉；
容易出現(xiàn)誤報(bào)——Viola-Jones算法可以在沒有人臉的情況下輕松報(bào)告圖像中的人臉；
調(diào)優(yōu)OpenCV檢測參數(shù)會非常乏味。有時可以檢測出圖像中的所有人臉，有時會（1）圖像的區(qū)域被錯誤地分類為面部；（2）面部被完全遺漏時。

2.3 Haar級聯(lián)預(yù)訓(xùn)練的模型

OpenCV庫維護(hù)一個預(yù)先訓(xùn)練好的Haar級聯(lián)庫。包括：

haarcascade_frontalface_default.xml：檢測面部
haarcascade_eye.xml：檢測左眼和右眼
haarcascade_smile.xml：檢測面部是否存在嘴部
haarcascade_eye_tree_eyeglasses.xml：檢測是否帶墨鏡🕶
haarcascade_frontalcatface.xml：檢測貓臉
haarcascade_frontalcatface_extended.xml：檢測貓臉延伸
haarcascade_frontalface_alt.xml：檢測貓臉屬性
haarcascade_frontalface_alt_tree.xml
haarcascade_frontalface_alt2.xml
haarcascade_fullbody.xml：檢測全身
haarcascade_lefteye_2splits.xml：檢測左眼
haarcascade_licence_plate_rus_16stages.xml：檢測證件
haarcascade_lowerbody.xml：檢測下半身
haarcascade_profileface.xml
haarcascade_righteye_2splits.xml：檢測右眼
haarcascade_russian_plate_number.xml：檢測俄羅斯字母車牌號
haarcascade_upperbody.xml：檢測上半身

還提供了其他經(jīng)過預(yù)訓(xùn)練的Haar級聯(lián)，包括一個用于俄羅斯牌照，另一個用于貓臉檢測。

可以使用cv2.CascadeClassifer從磁盤加載預(yù)先訓(xùn)練好的Haar級聯(lián)檢測器：

detector = cv2.CascadeClassifier(path)

可以使用detectMultiScale對其進(jìn)行預(yù)測：

 results = detector.detectMultiScale(
		   gray, scaleFactor=1.05, minNeighbors=5,
		   minSize=(30, 30), flags=cv2.CASCADE_SCALE_IMAGE)

3. 源碼

3.1 圖像檢測

# USAGE
# python opencv_haar_cascades_images.py --cascades cascades --image ml.jpg

# 導(dǎo)入必要的包
import argparse
import os  # 不同系統(tǒng)路徑分隔符

import cv2  # opencv綁定
import imutils

# 構(gòu)建命令行參數(shù)及解析
# --cascades 級聯(lián)檢測器的路徑
ap = argparse.ArgumentParser()
ap.add_argument("-c", "--cascades", type=str, default="cascades",
                help="path to input directory containing haar cascades")
ap.add_argument("-i", "--image", type=str, default="ml2.jpg",
                help="path to input image")
args = vars(ap.parse_args())

# 初始化字典，并保存Haar級聯(lián)檢測器名稱及文件路徑
detectorPaths = {
    "face": "haarcascade_frontalface_default.xml",
    "eyes": "haarcascade_eye.xml",
    "smile": "haarcascade_smile.xml",
}

# 初始化字典以保存多個Haar級聯(lián)檢測器
print("[INFO] loading haar cascades...")
detectors = {}

# 遍歷檢測器路徑
for (name, path) in detectorPaths.items():
    # 加載Haar級聯(lián)檢測器并保存到map
    path = os.path.sep.join([args["cascades"], path])
    detectors[name] = cv2.CascadeClassifier(path)

# 從磁盤讀取圖像，縮放，并轉(zhuǎn)換灰度圖
print(args['image'])
image = cv2.imread(args["image"])
image = imutils.resize(image, width=500)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用合適的Haar檢測器執(zhí)行面部檢測
faceRects = detectors["face"].detectMultiScale(
    gray, scaleFactor=1.05, minNeighbors=5, minSize=(30, 30),
    flags=cv2.CASCADE_SCALE_IMAGE)

# 遍歷檢測到的所有面部
for (fX, fY, fW, fH) in faceRects:
    # 提取面部ROI
    faceROI = gray[fY:fY + fH, fX:fX + fW]

    # 在面部ROI應(yīng)用左右眼級聯(lián)檢測器
    eyeRects = detectors["eyes"].detectMultiScale(
        faceROI, scaleFactor=1.1, minNeighbors=10,
        minSize=(15, 15), flags=cv2.CASCADE_SCALE_IMAGE)

    # 在面部ROI應(yīng)用嘴部檢測
    smileRects = detectors["smile"].detectMultiScale(
        faceROI, scaleFactor=1.1, minNeighbors=10,
        minSize=(15, 15), flags=cv2.CASCADE_SCALE_IMAGE)

    # 遍歷眼睛邊界框
    for (eX, eY, eW, eH) in eyeRects:
        # 繪制眼睛邊界框（紅色）
        ptA = (fX + eX, fY + eY)
        ptB = (fX + eX + eW, fY + eY + eH)
        cv2.rectangle(image, ptA, ptB, (0, 0, 255), 2)

    # 遍歷嘴部邊界框
    for (sX, sY, sW, sH) in smileRects:
        # 繪制嘴邊界框（藍(lán)色）
        ptA = (fX + sX, fY + sY)
        ptB = (fX + sX + sW, fY + sY + sH)
        cv2.rectangle(image, ptA, ptB, (255, 0, 0), 2)

    # 繪制面部邊界框（綠色）
    cv2.rectangle(image, (fX, fY), (fX + fW, fY + fH),
                  (0, 255, 0), 2)

# 展示輸出幀
cv2.imshow("image", image)
cv2.waitKey(0)
# 清理工作
cv2.destroyAllWindows()

3.2 實(shí)時視頻流檢測

# USAGE
# python opencv_haar_cascades.py --cascades cascades

# 導(dǎo)入必要的包
import argparse
import os  # 不同系統(tǒng)路徑分隔符
import time  # sleep 2秒

import cv2  # opencv綁定
import imutils
from imutils.video import VideoStream  # 訪問網(wǎng)絡(luò)攝像頭

# 構(gòu)建命令行參數(shù)及解析
# --cascades 級聯(lián)檢測器的路徑
ap = argparse.ArgumentParser()
ap.add_argument("-c", "--cascades", type=str, default="cascades",
                help="path to input directory containing haar cascades")
args = vars(ap.parse_args())

# 初始化字典，并保存Haar級聯(lián)檢測器名稱及文件路徑
detectorPaths = {
    "face": "haarcascade_frontalface_default.xml",
    "eyes": "haarcascade_eye.xml",
    "smile": "haarcascade_smile.xml",
}

# 初始化字典以保存多個Haar級聯(lián)檢測器
print("[INFO] loading haar cascades...")
detectors = {}

# 遍歷檢測器路徑
for (name, path) in detectorPaths.items():
    # 加載Haar級聯(lián)檢測器并保存到map
    path = os.path.sep.join([args["cascades"], path])
    detectors[name] = cv2.CascadeClassifier(path)

# 初始化視頻流，允許攝像頭預(yù)熱2s
print("[INFO] starting video stream...")
vs = VideoStream(src=0).start()
time.sleep(2.0)

# 遍歷視頻流的每一幀
while True:
    # 獲取視頻流的每一幀，縮放，并轉(zhuǎn)換灰度圖
    frame = vs.read()
    frame = imutils.resize(frame, width=500)
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 使用合適的Haar檢測器執(zhí)行面部檢測
    faceRects = detectors["face"].detectMultiScale(
        gray, scaleFactor=1.05, minNeighbors=5, minSize=(30, 30),
        flags=cv2.CASCADE_SCALE_IMAGE)

    # 遍歷檢測到的所有面部
    for (fX, fY, fW, fH) in faceRects:
        # 提取面部ROI
        faceROI = gray[fY:fY + fH, fX:fX + fW]

        # 在面部ROI應(yīng)用左右眼級聯(lián)檢測器
        eyeRects = detectors["eyes"].detectMultiScale(
            faceROI, scaleFactor=1.1, minNeighbors=10,
            minSize=(15, 15), flags=cv2.CASCADE_SCALE_IMAGE)

        # 在面部ROI應(yīng)用嘴部檢測
        smileRects = detectors["smile"].detectMultiScale(
            faceROI, scaleFactor=1.1, minNeighbors=10,
            minSize=(15, 15), flags=cv2.CASCADE_SCALE_IMAGE)

        # 遍歷眼睛邊界框
        for (eX, eY, eW, eH) in eyeRects:
            # 繪制眼睛邊界框（紅色）
            ptA = (fX + eX, fY + eY)
            ptB = (fX + eX + eW, fY + eY + eH)
            cv2.rectangle(frame, ptA, ptB, (0, 0, 255), 2)

        # 遍歷嘴部邊界框
        for (sX, sY, sW, sH) in smileRects:
            # 繪制嘴邊界框（藍(lán)色）
            ptA = (fX + sX, fY + sY)
            ptB = (fX + sX + sW, fY + sY + sH)
            cv2.rectangle(frame, ptA, ptB, (255, 0, 0), 2)

        # 繪制面部邊界框（綠色）
        cv2.rectangle(frame, (fX, fY), (fX + fW, fY + fH),
                      (0, 255, 0), 2)

    # 展示輸出幀
    cv2.imshow("Frame", frame)
    key = cv2.waitKey(1)  0xFF
    # 按下‘q'鍵，退出循環(huán)
    if key == ord("q"):
        break

# 清理工作
cv2.destroyAllWindows()
vs.stop()

參考

https://www.pyimagesearch.com/2021/04/12/opencv-haar-cascades/

到此這篇關(guān)于超詳細(xì)注釋之OpenCV Haar級聯(lián)檢測器進(jìn)行面部檢測的文章就介紹到這了,更多相關(guān)OpenCV Haar內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

opencv基于Haar人臉檢測和眼睛檢測

標(biāo)簽：安康吉安廣西紹興蕪湖蘭州呂梁懷化

巨人網(wǎng)絡(luò)通訊聲明：本文標(biāo)題《超詳細(xì)注釋之OpenCV Haar級聯(lián)檢測器進(jìn)行面部檢測》，本文關(guān)鍵詞超,詳細(xì),注釋,之,OpenCV,Haar,；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請?zhí)峁┫嚓P(guān)信息告之我們，我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。