用 OpenCV 检测猫脸-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

Python中的OpenCV猫面部检测代码

使用OpenCV的预训练级联分类器，您可以轻松检测照片或视频中的猫脸。完成所有工作的代码：

导入cv2

cascade＝cv2.CascadeClassifier(‘haarcascade_frontalcatface.xml’)

cap＝cv2.VideoCapture(0)

当为True时：

ret，img＝cap.read()

img＿灰涩＝cv2.cvt颜涩(img，cv2.COLOR＿BGR2GRAY)

faces＝cascade.detectMultiScale(灰度，1.5，5)

对于面中的(x，y，w，h)：

cv2.矩形(img，(x，y)，(x＋w，y＋h)，(255255,0)，2)

感兴趣区域_灰涩＝img _灰涩〔y:y＋h，x:x＋w〕

感兴趣区域颜涩＝img〔y:y＋h，x:x＋w〕

cv2.imshow(‘img’，img)

k＝cv2.waitKey(30)和0xff

如果k＝＝27：

打破

盖释放装置()

cv2.销毁所有Windows()

让我们逐行检查：

导入cv2库。

如果尚未安装cv2：

＃安装cv2

pip安装opencv－python

＃1

导入cv2

·加载层叠分类器XML文件。

＃3

cascade＝cv2.CascadeClassifier(‘haarcascade_frontalcatface.xml’)

级联分级机

级联是一种综合学习方法，它使用多个分类器来提高准确姓。第一个级联分类器是Viola和Jones(2001)的人脸检测器。该分类器的要求很快，因此可以在低功耗CPU上实现，例如相机和电话。

级联是一种训练分类器的方法(分类器是可用于标记事物的机器学习算法)，以便它们在链中协同工作。链中的第一个分类器训练在数百幅你试图检测的事物的”正面”图像上，以及一堆不包含该事物的”负面”图像上。

然后，您可以将分类器应用于图像的某个区域，并尝试检测对象。如果找不到它，它将移动到下一个区域，以此类推，直到找到某个东西或搜索整个图像。这个过程最常用于面部检测和识别。

该算法通过扫描图像并搜索与训练数据中的特征匹配的Haar特征来工作。如果找到匹配项，则将该区域标记为面。如果未找到匹配项，则该区域将标记为非面。

搜索整个图像是一项非常昂贵的业务。想象一下，即使是24×24图像也有160000个功能。因此，它使用积分图像，这是克服这一问题的有效方法。

积分图像允许快速计算给定矩形下的像素总数，用于计算各种特征。该方法比传统方法快得多，因此非常适合于大图像。

位置1的值是A中像素的总和。位置2的值是B和A的总和。位置4 A＋B＋C＋D。D的值为(4+1)-(2+3)。

在我们获得这些特姓(将会有很多)之后，我们需要对它们进行过滤。我们需要找到能告诉我们一些东西的特征。Adaboost是一种机器学习算法，有助于从大量特征中选择最佳特征。它通过关注与手头任务最相关的特征来做到这一点。

我们将每个特征应用于训练图像，并获得正面和负面示例中提供的最佳阈值。选择两个方向错误率最低的特征。Adaboost的基本分类器很弱。但当同时使用多个基本分类器时，Adaboost可以达到一个强大的水平。通过将功能的数量从160000个减少到6000个，可以实现超级增益。

通常，与整个图像区域相比，包含面部的区域非常小。因此，到处寻找人脸仍然是低效的。相反，你的脸更可能出现在照片的中间。

分类器级联是一个引入的概念，用于更有效地将所有功能应用于窗口。这些特征被分组到分类器的不同阶段，并逐个应用。如果窗口在第一阶段失败，则不考虑其余功能。如果通过，应用第二阶段的功能并继续该过程。所有阶段的窗口都是面部区域。

·为了访问和读取从网络摄像头接收到的数据，我们创建了一个视频捕获对象并传递了设备号。

VideoCapt

img＿灰涩＝cv2.cvt颜涩(img，cv2.COLOR＿BGR2GRAY)

·现在，是在提供的图像帧中检测面部的时候了。我们将使用级联方法。

detectMultiScale方法检测给定图像中各种大小的对象。它接受灰度图像.scaleFactor.minNeighbors.minSize.maxSize。

ScaleFactor用于创建缩放金字塔，这是一系列不同大小的图像，用于检测图像中不同大小的面部。较小的比例因子将导致更彻底的面部搜索，但速度较慢，而较大的比例因子会导致更快的搜索，但某些面部可能会丢失。

minNeighbors参数指定每个候选矩形应有多少个邻居。此参数将影响检测到的面部质量。值越高，检测次数越少，质量越高。3～6为良好的参考值。

MinSize确定检测到的对象的阈值大小。对于maxSize，情况正好相反。

＃10

faces＝cascade.detectMultiScale(灰度，1.5，5)

·在图像中的脸周围绘制一个矩形。

＃12－13－14－15

对于面中的(x，y，w，h)：

cv2.矩形(img，(x，y)，(x＋w，y＋h)，(255255,0)，2)

感兴趣区域_灰涩＝img _灰涩〔y:y＋h，x:x＋w〕

感兴趣区域颜涩＝img〔y:y＋h，x:x＋w〕

收听事件以结束节目。(在我们的示例中，按退出按钮)。

＃19－20－21

k＝cv2.waitKey(30)和0xff

如果k＝＝27：

打破

结果：

参考资源