Haar特征

哈爾特征使用檢測窗口中指定位置的相鄰矩形，計算每一個矩形的像素和并取其差值。然后用這些差值來對圖像的子區(qū)域進行分類。

haar特征模板有以下幾種：

以第一個haar特征模板為例

計算方式

1.特征 = 白色 - 黑色(用白色區(qū)域的像素之和減去黑色區(qū)域的象征之和)

2.特征 = 整個區(qū)域 * 權(quán)重 + 黑色 * 權(quán)重

使用haar模板處理圖像

從圖像的起點開始，利用haar模板從左往右遍歷，從上往下遍歷，并設置步長，同時考慮圖像大小和模板大小的信息

假如我們現(xiàn)在有一個 1080 * 720 大小的圖像，10*10 的haar模板,并且步長為2，那么我我們所需要的的計算量為: (1080 / 2 * 720 / 2) * 100 * 模板數(shù)量 * 縮放 約等于50-100億，計算量太大。

積分圖

使用積分圖可大量減少運算時間，實際上就是運用了前綴和的原理

Adaboost分類器

Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器（強分類器）。

算法流程

該算法其實是一個簡單的弱分類算法提升過程，這個過程通過不斷的訓練，可以提高對數(shù)據(jù)的分類能力。整個過程如下所示：

1. 先通過對N個訓練樣本的學習得到第一個弱分類器；
2. 將分錯的樣本和其他的新數(shù)據(jù)一起構(gòu)成一個新的N個的訓練樣本，通過對這個樣本的學習得到第二個弱分類器 ；
3. 將1和2都分錯了的樣本加上其他的新樣本構(gòu)成另一個新的N個的訓練樣本，通過對這個樣本的學習得到第三個弱分類器；
4. 最終經(jīng)過提升的強分類器。即某個數(shù)據(jù)被分為哪一類要由各分類器權(quán)值決定。

我們需要從官網(wǎng)下載倆個Adaboost分類器文件,分別是人臉和眼睛的分類器:
下載地址：https://github.com/opencv/opencv/tree/master/data/haarcascades

代碼實現(xiàn)

實現(xiàn)人臉識別的基本步驟：

1.加載文件和圖片
2.進行灰度處理
3.得到haar特征
4.檢測人臉
5.進行標記

我們使用cv2.CascadeClassifier()來加載我們下載好的分類器。

然后我們使用detectMultiScale()方法來得到識別結(jié)果

import cv2
import numpy as np
import matplotlib.pyplot as plt
# 1.加載文件和圖片 2.進行灰度處理 3.得到haar特征 4.檢測人臉 5.標記

face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml')
img = cv2.imread('img.png')
cv2.imshow('img', img)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 1.灰色圖像 2.縮放系數(shù) 3.目標大小
faces = face_xml.detectMultiScale(gray, 1.3, 5)
print('face = ',len(faces))
print(faces)
#繪制人臉，為人臉畫方框
for (x,y,w,h) in faces:
  cv2.rectangle(img, (x,y), (x + w, y + h), (255,0,0), 2)
  roi_face = gray[y:y+h,x:x+w]
  roi_color = img[y:y+h,x:x+w]
  eyes = eye_xml.detectMultiScale(roi_face)
  print('eyes = ',len(eyes))
  for (ex,ey,ew,eh) in eyes:
    cv2.rectangle(roi_color, (ex,ey),(ex + ew, ey + eh), (0,255,0), 2)
cv2.imshow('dat', img)
cv2.waitKey(0)

face = 1
[[133 82 94 94]]
eyes = 2

到此這篇關(guān)于使用python-cv2實現(xiàn)Harr+Adaboost人臉識別的示例的文章就介紹到這了,更多相關(guān)python cv2 人臉識別內(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！

最新評論