• • 必備知識
    • Haar-like
    • opencv api
      • 讀取圖片
      • 灰度轉換
      • 畫圖
      • 顯示圖像
      • 獲取人臉識別訓練數據
      • 探測人臉
      • 處理人臉探測的結果
  • 實例
    • 圖片素材
    • 人臉檢測代碼
    • 人臉檢測結果
  • 總結

下午的時候，配好了OpenCV的Python環境，OpenCV的Python環境搭建。於是迫不及待的想體驗一下opencv的人臉識別，如下文。

必備知識

Haar-like

Haar-like百科釋義。通俗的來講，就是作為人臉特征即可。

Haar特征值反映了圖像的灰度變化情況。例如：臉部的一些特征能由矩形特征簡單的描述，如：眼睛要比臉頰顏色要深，鼻梁兩側比鼻梁顏色要深，嘴巴比周圍顏色要深等。

opencv api

要想使用opencv，就必須先知道其能幹什麽，怎麽做。於是API的重要性便體現出來了。就本例而言，使用到的函數很少，也就普通的讀取圖片，灰度轉換，顯示圖像，簡單的編輯圖像罷了。

如下：

讀取圖片

只需要給出待操作的圖片的路徑即可。

import cv2
image = cv2.imread(imagepath)

• 1
• 2

灰度轉換

灰度轉換的作用就是：轉換成灰度的圖片的計算強度得以降低。

import cv2
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

• 1
• 2

畫圖

opencv 的強大之處的一個體現就是其可以對圖片進行任意編輯，處理。
下面的這個函數最後一個參數指定的就是畫筆的大小。

import cv2
cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2)

• 1
• 2

顯示圖像

編輯完的圖像要麽直接的被顯示出來，要麽就保存到物理的存儲介質。

import cv2
cv2.imshow("Image Title",image)

• 1
• 2

獲取人臉識別訓練數據

看似復雜，其實就是對於人臉特征的一些描述，這樣opencv在讀取完數據後很據訓練中的樣品數據，就可以感知讀取到的圖片上的特征，進而對圖片進行人臉識別。

import cv2

face_cascade = cv2.CascadeClassifier(r‘./haarcascade_frontalface_default.xml‘
 
)

• 1
• 2
• 3

裏賣弄的這個xml文件，就是opencv在GitHub上共享出來的具有普適的訓練好的數據。我們可以直接的拿來使用。

訓練數據 參考地址

探測人臉

說白了，就是根據訓練的數據來對新圖片進行識別的過程。

import cv2

# ···

# 探測圖片中的人臉
faces = face_cascade.detectMultiScale(
    gray,
    scaleFactor = 1.15,
    minNeighbors = 5,
    minSize = (5,5),
    flags = cv2.cv.CV_HAAR_SCALE_IMAGE
)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

我們可以隨意的指定裏面參數的值，來達到不同精度下的識別。返回值就是opencv對圖片的探測結果的體現。

處理人臉探測的結果

結束了剛才的人臉探測，我們就可以拿到返回值來做進一步的處理了。但這也不是說會多麽的復雜，無非添加點特征值罷了。

import cv2

# ···
print "發現{0}個人臉!".format(len(faces))

for(x,y,w,h) in faces:
    cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2)

• 1
• 2
• 3
• 4
• 5
• 6
• 7

實例

有了剛才的基礎，我們就可以完成一個簡單的人臉識別的小例子了。

圖片素材

下面的這張圖片將作為我們的檢測依據。

人臉檢測代碼

# coding:utf-8
import sys

reload(sys)
sys.setdefaultencoding(‘utf8‘)
#    __author__ = ‘郭 璞‘
#    __date__ = ‘2016/9/5‘
#    __Desc__ = 人臉檢測小例子，以圓圈圈出人臉
import cv2
# 待檢測的圖片路徑
imagepath = r‘./heat.jpg‘

# 獲取訓練好的人臉的參數數據，這裏直接從GitHub上使用默認值
face_cascade = cv2.CascadeClassifier(r‘./haarcascade_frontalface_default.xml‘)

# 讀取圖片
image = cv2.imread(imagepath)
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

# 探測圖片中的人臉
faces = face_cascade.detectMultiScale(
    gray,
    scaleFactor = 1.15,
    minNeighbors = 5,
    minSize = (5,5),
    flags = cv2.cv.CV_HAAR_SCALE_IMAGE
)

print "發現{0}個人臉!".format(len(faces))

for(x,y,w,h) in faces:
    # cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2)
    cv2.circle(image,((x+x+w)/2,(y+y+h)/2),w/2,(0,255,0),2)

cv2.imshow("Find Faces!",image)
cv2.waitKey(0)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36

人臉檢測結果

• 輸出圖片：
  

• 輸出結果：

D:\Software\Python2\python.exe E:/Code/Python/DataStructor/opencv/Demo.py
發現3個人臉!

• 1
• 2
• 3

詳情見 案例參考

總結

回顧一下，這次的實驗就是簡單的對opencv的常用的api的使用，重點在於訓練數據的使用和人臉探測的處理。

再分享一下我老師大神的人工智能教程吧。零基礎！通俗易懂！風趣幽默！還帶黃段子！希望你也加入到我們人工智能的隊伍中來！https://blog.csdn.net/jiangjunshow

OpenCV + Python 人臉檢測