文章目錄
- Haar特征
- 計算方式
- 使用haar模板處理影像
- 積分圖
- Adaboost分類器
- 代碼實作
Haar特征
哈爾特征使用檢測視窗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影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模板處理影像
從影像的起點開始，利用haar模板從左往右遍歷，從上往下遍歷，并設定步長，同時考慮影像大小和模板大小的資訊
假如我們現在有一個 1080 * 720 大小的影像，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是一種迭代演算法，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），
演算法流程
該演算法其實是一個簡單的弱分類演算法提升程序，這個程序通過不斷的訓練，可以提高對資料的分類能力，整個程序如下所示：
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資料一起構成一個新的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，即某個資料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分類器檔案,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
代碼實作
實作人臉識別的基本步驟：
1.加載檔案和圖片
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 cv2
import numpy as np
import matplotlib.pyplot as plt
# 1.加載檔案和圖片 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.灰色影像 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
轉載請註明出處，本文鏈接：https://www.uj5u.com/qianduan/191906.html
標籤：其他