Python中的OpenCV貓臉檢測(cè)代碼

使用 OpenCV 的預(yù)訓(xùn)練級(jí)聯(lián)分類(lèi)器可以輕松檢測(cè)照片或視頻中的貓臉。完成所有工作的代碼：

import cv2

cascade ＝ cv2．CascadeClassifier（＇haarcascade＿frontalcatface．xml＇）
 

cap ＝ cv2．VideoCapture（0）
 

while True：

   ret， img ＝ cap．read（）

   img＿gray ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）

   faces ＝ cascade．detectMultiScale（img＿gray， 1．5， 5）
 

   for （x，y，w，h） in faces：

       cv2．rectangle（img，（x，y），（x＋w，y＋h），（255，255，0），2）

       roi＿gray ＝ img＿gray［y：y＋h， x：x＋w］

       roi＿color ＝ img［y：y＋h， x：x＋w］
       

   cv2．imshow（＇img＇，img）

   k ＝ cv2．waitKey（30） ＆ 0xff

   if k ＝＝ 27：

       break
 

cap．release（）
 

cv2．destroyAllWindows（）

讓我們逐行檢查：

cv2 庫(kù)被導(dǎo)入。

如果你還沒(méi)有安裝cv2：

＃install cv2

pip install opencv－python

＃1

import cv2

· 加載級(jí)聯(lián)分類(lèi)器 XML 文件。

＃3

cascade ＝ cv2．CascadeClassifier（＇haarcascade＿frontalcatface．xml＇）

級(jí)聯(lián)分類(lèi)器

級(jí)聯(lián)是一種集成學(xué)習(xí)方法，是一種使用多個(gè)分類(lèi)器來(lái)提高準(zhǔn)確率的方法。第一個(gè)級(jí)聯(lián)分類(lèi)器是 Viola 和 Jones （2001） 的臉部檢測(cè)器。這個(gè)分類(lèi)器的要求是快速，以便在低功耗 CPU 上實(shí)現(xiàn)，例如相機(jī)和電話。

級(jí)聯(lián)是一種訓(xùn)練分類(lèi)器的方法（分類(lèi)器是一種機(jī)器學(xué)習(xí)算法，可用于標(biāo)記事物），以便它們?cè)阪溨袇f(xié)同工作。鏈中的第一個(gè)分類(lèi)器訓(xùn)練在幾百?gòu)埬阍噲D檢測(cè)的事物的“正面”圖像上，以及一堆不包含該事物的“負(fù)面”圖像上。

然后，可以將該分類(lèi)器應(yīng)用于圖像的一個(gè)區(qū)域，并嘗試檢測(cè)該對(duì)象。如果它沒(méi)有找到它，它將移動(dòng)到下一個(gè)區(qū)域，依此類(lèi)推，直到它找到了東西或搜索了整個(gè)圖像。這個(gè)過(guò)程最常用于面部檢測(cè)和識(shí)別。

該算法通過(guò)掃描圖像并尋找與訓(xùn)練數(shù)據(jù)中的特征相匹配的 Haar 特征來(lái)工作。如果找到匹配項(xiàng)，則將該區(qū)域標(biāo)記為臉。如果未找到匹配項(xiàng)，則將該區(qū)域標(biāo)記為不是臉。

在整個(gè)圖像中進(jìn)行這種搜索是一項(xiàng)非常昂貴的業(yè)務(wù)。想想看，即使是 24x24 的圖像也有 160000 個(gè)特征。因此，它使用積分圖像，這是克服這一問(wèn)題的有效方法。

積分圖像允許快速計(jì)算給定矩形下的像素總和，用于計(jì)算各種特征。這種方法比傳統(tǒng)方法快得多，因此非常適合用于大圖像。

位置1的值是A中像素的總和。位置2的值是A和B的總和。位置3：A＋C。位置 4 A＋B＋C＋D。D 的值為 （4＋1） － （2＋3）。

在我們得到這些特征（會(huì)有很多）之后，我們需要對(duì)它們進(jìn)行某種過(guò)濾，我們需要找出那些能夠告訴我們一些東西的特征。Adaboost 是一種機(jī)器學(xué)習(xí)算法，有助于從大量特征中選擇最佳特征。它通過(guò)關(guān)注與手頭任務(wù)最相關(guān)的特征來(lái)做到這一點(diǎn)。

我們將每個(gè)特征應(yīng)用于訓(xùn)練圖像并獲得正負(fù)示例中提供的最佳閾值。選擇在兩個(gè)方向上具有最低錯(cuò)誤率的特征。Adaboost 的基礎(chǔ)分類(lèi)器很弱。但是當(dāng)同時(shí)使用許多基礎(chǔ)分類(lèi)器時(shí)，Adaboost 可以達(dá)到一個(gè)強(qiáng)大的水平。通過(guò)將特征從 160000 個(gè)減少到 6000 個(gè)特征，實(shí)現(xiàn)了超級(jí)增益。

通常，包含臉部的區(qū)域與整個(gè)圖像區(qū)域相比非常小。因此，到處尋找臉部仍然是低效的。相反，在你的臉更有可能出現(xiàn)在照片中間的區(qū)域。

Cascade of Classifiers 是一個(gè)引入的概念，以便更有效地將所有特征應(yīng)用于窗口。這些特征被分組到分類(lèi)器的不同階段并被一一應(yīng)用。如果窗口在第一階段失敗，則不考慮剩余的特征。如果通過(guò)，則應(yīng)用第二階段的特征并繼續(xù)該過(guò)程。通過(guò)所有階段的窗口就是臉部區(qū)域。

· 為了訪問(wèn)和讀取從網(wǎng)絡(luò)攝像頭接收到的數(shù)據(jù)，我們創(chuàng)建了一個(gè)視頻捕獲對(duì)象并傳遞我們的設(shè)備編號(hào)。

VideoCapture 類(lèi)用于捕獲視頻。你可以傳遞視頻文件的路徑。

＃5

cap ＝ cv2．VideoCapture（0）

· 啟動(dòng)循環(huán)以確保視頻數(shù)據(jù)的連續(xù)流。

＃7

while True：

· VideoCapture 對(duì)象（cap）讀取并解碼，返回下一幀視頻。＃8

ret， img ＝ cap．read（）

＃ret is True if there is a video data

＃img is the image

· 我們將接收到的圖像轉(zhuǎn)換為灰度以最小化計(jì)算成本。

＃9

img＿gray ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）

· 現(xiàn)在，是時(shí)候在提供的圖像幀中檢測(cè)臉部了。我們將使用我們的級(jí)聯(lián)方法。

detectMultiScale方法檢測(cè)給定圖像中各種大小的對(duì)象。它接受灰度圖像、scaleFactor、minNeighbors、minSize、maxSize。

scaleFactor用于創(chuàng)建比例金字塔，它是一系列不同大小的圖像，用于檢測(cè)圖像中不同大小的臉部。較小的比例因子會(huì)導(dǎo)致更徹底的臉部搜索，但速度較慢，而較大的比例因子會(huì)導(dǎo)致搜索速度更快，但可能會(huì)遺漏一些臉部。

minNeighbors 參數(shù)指定每個(gè)候選矩形應(yīng)該保留多少個(gè)鄰居。該參數(shù)會(huì)影響檢測(cè)到的臉部質(zhì)量。數(shù)值越高，檢測(cè)次數(shù)越少，質(zhì)量越高。3～6是很好的參考取值。

minSize確定被檢測(cè)對(duì)象的閾值大小。對(duì)于maxSize，則相反。

＃10

faces ＝ cascade．detectMultiScale（img＿gray， 1．5， 5）

· 在圖像中的面部周?chē)�繪制矩形。

＃12－13－14－15

for （x，y，w，h） in faces：

       cv2．rectangle（img，（x，y），（x＋w，y＋h），（255，255，0），2）

       roi＿gray ＝ img＿gray［y：y＋h， x：x＋w］

       roi＿color ＝ img［y：y＋h， x：x＋w］

收聽(tīng)事件以結(jié)束程序。（在我們的例子中按下退出鍵）。

＃19－20－21

k ＝ cv2．waitKey（30） ＆ 0xff

if k ＝＝ 27：

  break

結(jié)果：

參考

       原文標(biāo)題 : 用 OpenCV 檢測(cè)貓臉