python基於opencv庫的人臉識別總結
阿新 • • 發佈：2021-06-11
1人臉檢測
2影象獲取
3模型訓練（包含人臉特徵值）
4讀取模型進行人臉識別
二、人臉檢測
參考連結（https://www.cnblogs.com/zyly/p/9410563.html
2-1、人臉檢測必備基礎知識
2-1-1基本原理：（1）知識類：主要把人臉看作器官組合，根據器官的相對幾何位置關係來識別人臉和取特徵值（2）統計方法（演算法）將人臉看作一個整體的模式——二維畫素矩陣，從統計的觀點通過大量人臉影象樣本構造人臉模式空間，根據相似度量來判斷人臉是否存在。主要包括主成分分析與特徵臉、神經網路方法、支援向量機、隱馬爾可夫模型、Adaboost演算法等。 //學長的my_UI的人臉識別基於支援向量機演算法我自己找的基於Adaboost演算法
2-1-2哈爾特徵值精簡理解版： 邊緣、線性、中心、對角線的特徵值組成特徵模板（特徵模板的特徵值為白色畫素和減去黑色畫素和）//當定位到人臉的識別點之後根據特徵模板取特徵值
//2-1-3級聯分類器：從上面所述內容我們可以總結Haar分類器訓練的五大步驟：1、準備人臉、非人臉樣本集；2、計算特徵值和積分圖；3、篩選出T個優秀的特徵值（即最優弱分類器）；4、把這個T個最優弱分類器傳給AdaBoost進行訓練。5、級聯，也就是強分類器的強強聯手。
2-1-3xml檔案opencv自帶了訓練器和檢測器也可以自己訓練分類器來識別其他的haarcascades、lbpcascades 分別是基於不同的特徵取特徵值
2-2視訊中的人臉檢測
#2、視訊中的人臉檢測
def DynamicDetect():
'''
開啟攝像頭，讀取幀，檢測幀中的人臉，掃描檢測到的人臉中的眼睛，對人臉繪製藍色的矩形框，對人眼繪製綠色的矩形框
'''
#建立一個級聯分類器 載入一個 .xml 分類器檔案. 它既可以是Haar特徵也可以是LBP特徵的分類器.
#匯入python的opencv自帶的訓練器，若出bug可以改為絕對路徑
face_cascade = cv2.CascadeClassifier('./haarcascades/haarcascade_frontalface_default.xml')
eye_cascade = cv2.CascadeClassifier('./haarcascades/haarcascade_eye.xml')
#開啟攝像頭
camera = cv2.VideoCapture(0)
#0表示攝像頭的id，當調取網路攝像頭時id要換為url
cv2.namedWindow('Dynamic')#給視訊窗體取名字
while(True):
#讀取一幀影象
ret,frame = camera.read()
#判斷圖片讀取成功？
if ret:
gray_img = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)#轉為灰度影象
#人臉檢測
faces = face_cascade.detectMultiScale(gray_img,1.3,5)
for (x,y,w,h) in faces:
#在原影象上繪製矩形
cv2.rectangle(frame,(x,y),(x+w,y+h),(255,0,0),2)
roi_gray = gray_img[y:y+h,x:x+w]
#眼睛檢測
eyes = eye_cascade.detectMultiScale(roi_gray,1.03,5,0,(40,40))
for (ex,ey,ew,eh) in eyes:
cv2.rectangle(frame,(ex+x,ey+y),(x+ex+ew,y+ey+eh),(0,255,0),2)
cv2.imshow('Dynamic',frame)
#如果按下q鍵則退出
if cv2.waitKey(100) & 0xff == ord('q') :
break
camera.release()
cv2.destroyAllWindows()
對detectMultiScale函式的解析
detectMultiScale(image[,scaleFactor[,minNeighbors[,flags[,minSize[,maxSize]]]]])
-
image：表示的是要檢測的輸入影象
-
scaleFactor：為每一個影象尺度中的尺度引數，預設值為1.1。scaleFactor引數可以決定兩個不同大小的視窗掃描之間有多大的跳躍，這個引數設定的大，則意味著計算會變快，但如果視窗錯過了某個大小的人臉，則可能丟失物體。
-
minNeighbors：引數為每一個級聯矩形應該保留的鄰近個數，預設為3。minNeighbors控制著誤檢測，預設值為3表明至少有3次重疊檢測，我們才認為人臉確實存。
-
flags：對於新的分類器沒有用（但目前的haar分類器都是舊版的，CV_HAAR_DO_CANNY_PRUNING,這個值告訴分類器跳過平滑（無邊緣區域）。利用Canny邊緣檢測器來排除一些邊緣很少或者很多的影象區域；CV_HAAR_SCALE_IMAGE，這個值告訴分類器不要縮放分類器。而是縮放影象（處理好記憶體和快取的使用問題，這可以提高效能。）就是按比例正常檢測；CV_HAAR_FIND_BIGGEST_OBJECTS，告訴分類器只返回最大的目標（這樣返回的物體個數只可能是0或1）只檢測最大的物，CV_HAAR_DO_ROUGH_SEARCH，他只可與CV_HAAR_FIND_BIGGEST_OBJECTS一起使用，這個標誌告訴分類器在任何視窗，只要第一個候選者被發現則結束尋找（當然需要足夠的相鄰的區域來說明真正找到了。）,只做初略檢測.
-
minSize：為目標的最小尺寸
-