You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
111 lines
3.9 KiB
111 lines
3.9 KiB
6 years ago
|
# 6.2.2 人脸位置检测
|
||
|
|
|
||
|
|
`OpenCV`的人脸检测，使用`Harr分类器`。该分类器采用的`Viola-Jones人脸检测算法`。它是在 `2001`年由`Viola`和`Jones`提出的基于机器学习的人脸检测算法。
|
||
|
|
|
||
|
|
算法首先需要大量的积极图片（包含人脸的图片）和消极图片（不包含人脸的图片）。然后从中提取类`Harr特征( Harr-like features)`，之所以称为`Harr`分类器，是正是因为它使用了类`Harr`特征。最后，训练出一个级联检测器，用其来检测人脸。
|
||
|
|
|
||
|
|
## 类Harr特征
|
||
|
|
|
||
|
|
图像中的特征通常是指，图片的像素点经过一系列的运算之后得到的结果，这些结果可能是向量、矩阵和多维数据等等。类`Harr`特征是一种反映图像的灰度变化的，像素分模块求差值的一种特征。
|
||
|
|
|
||
|
|
## Harr特征类别
|
||
|
|
|
||
|
|
它分为三类：边缘特征、线性特征、中心特征和对角线特征。用黑色两种矩形框组成为特征模板。
|
||
|
|
|
||
|
|
`1`.边缘特征
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
`2`.线性特征
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
`3`.中心特征和对角线特征
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
## 特征值计算
|
||
|
|
|
||
|
|
特征模板的特征值计算的方式，是用黑色矩形像素总和的均值减去白色矩形像素总和的均值。
|
||
|
|
|
||
|
|
$$ \Delta = \frac{1}{n}\sum_{dark}^{n}I(x)-\frac{1}{n}\sum_{white}^{n}I(x) $$
|
||
|
|
|
||
|
|
例如，对于`4x4`的像素块。
|
||
|
|
|
||
|
|
理想情况下，黑色和白色的像素块分布如下：
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
符合边缘特征的情况(`a`)。
|
||
|
|
|
||
|
|
但是通常情况，一张灰阶照片的黑白分布并非如此的明显，例如：
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
根据公式，第一张图特征值为`1`，第二张图特征值为`0.75-0.18=0.56`。
|
||
|
|
|
||
|
|
一张图中，对于识别人脸，只有部分特征是有效的。例如，用下图中的特征模板可以看出，眉毛区域比额头要亮，鼻梁区域比眼镜区域要亮。嘴唇区域比牙齿区域要暗。这样的类`Harr`特征能很好的识别出人脸。
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
为简化特征值计算，可以使用积分图算法。得到类`Harr`特征后，使用`AdaBoost`的方法选择出有效特征。最后再使用瀑布型级联检测器提高检测速度。其中，瀑布的每一层都是一个由`Adaboost算法`训练得到的强分类器。
|
||
|
|
|
||
|
|
`Harr`人脸检测一个简单的动画过程如下：
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
红色的搜索框不断移动，检测出是否包含人脸。一般来说，输入的图片会大于样本，为了检索出不同大小的目标，分类器可以按比例的改变自己的尺寸，对输入图片进行多次的扫描。
|
||
|
|
|
||
|
|
## 训练Harr分类器
|
||
|
|
|
||
|
|
训练`Harr`分类器的主要步骤如下：
|
||
|
|
|
||
|
|
- 搜集制作大量的“消极”图像
|
||
|
|
- 搜集制作大量“积极”图像，确保这些图像中包含要检测的对象
|
||
|
|
- 创建“积极”向量文件
|
||
|
|
- 使用`OpenCV`训练`Harr`分类器
|
||
|
|
|
||
|
|
因为训练需要花费较多的资源和时间，所以我们学习时，先使用`OpenCV`中已经训练好的`Harr`分类器。
|
||
|
|
|
||
|
|
## 使用Harr分类器检测人脸
|
||
|
|
|
||
|
|
声明分类器：
|
||
|
|
|
||
|
|
CascadeClassifier(模型文件路径)
|
||
|
|
|
||
|
|
调用分类函数：
|
||
|
|
|
||
|
|
|
||
|
|
detectMultiScale(图片对象,scaleFactor, minNeighbors, minSize)
|
||
|
|
|
||
|
|
参数说明：
|
||
|
|
|
||
|
|
1. 图片对象：待识别图片对象；
|
||
|
|
2. `scaleFactor`：图像缩放比例；
|
||
|
|
3. `minNeighbors`：对特征检测点周边多少有效点同时检测，这样可避免因选取的特征检测点太小而导致遗漏；
|
||
|
|
4. `minSize`：特征检测点的最小尺寸，可选参数。
|
||
|
|
|
||
|
|
示例如下：
|
||
|
|
|
||
|
|
```
|
||
|
|
import numpy as np
|
||
|
|
import cv2 as cv
|
||
|
|
# 读取图片
|
||
|
|
img = cv.imread('face.jpg')
|
||
|
|
# 转换为灰度图片
|
||
|
|
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
|
||
|
|
# 人脸检测器
|
||
|
|
face_cascade = cv.CascadeClassifier('Harrcascade_frontalface_default.xml')
|
||
|
|
|
||
|
|
# 识别人脸
|
||
|
|
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
|
||
|
|
|
||
|
|
for (x,y,w,h) in faces:
|
||
|
|
print(x,y,w,h)
|
||
|
|
```
|
||
|
|
|
||
|
|
其中，图片坐标系以左上角为原点，`x,y`代表人脸区域左上角坐标，`w`代表宽度，`h`代表高度。
|
||
|
|
|
||
|
|
|
||
|
|
|