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(用白色區域的像素之和減去黑色區域的象征之和)

2.特征 = 整個區域 * 權重 + 黑色 * 權重

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，可以提高對數據的分類能力。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據一起構成一個新的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. 最終經過提升的強分類器。即某個數據被分為哪一類要由各分類器權值決定。

我們需要從官網下載倆個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

實現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()方法來得到識別結果

import cv2import numpy as npimport 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 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

到此這篇關于使用python-cv2實現Harr+Adaboost人臉識別的示例的文章就介紹到這了,更多相關python cv2 人臉識別內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！