3.9 KiB

Raw Blame History

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：

图片对象：待识别图片对象；
scaleFactor：图像缩放比例；
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；
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。

3.9 KiB Raw Blame History