OpenCV：人脸检测、Haar特征分类器、OpenCV中自带已训练好的检测器

小灰灰 2023-07-23 07:55 9阅读 0赞

# ![20191009191333910.png][] #

# [日萌社][Link 1] #

[人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）][AI_Keras PyTorch MXNet TensorFlow PaddlePaddle]

--------------------

# 案例:人脸案例 #

**学习目标**

1.  了解opencv进行人脸检测的流程
2.  了解Haar特征分类器的内容

# 1 基础 #

我们使用机器学习的方法完成人脸检测，首先需要大量的正样本图像（面部图像）和负样本图像（不含面部的图像）来训练分类器。我们需要从其中提取特征。下图中的 Haar 特征会被使用，就像我们的卷积核，每一个特征是一 个值，这个值等于黑色矩形中的像素值之后减去白色矩形中的像素值之和。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ppbWlhbzU1MjE0NzU3Mg_size_16_color_FFFFFF_t_70][]

Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。

Haar特征可用于于图像任意位置，大小也可以任意改变，所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化，使得很小的检测窗口含有非常多的矩形特征。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ppbWlhbzU1MjE0NzU3Mg_size_16_color_FFFFFF_t_70 1][]

得到图像的特征后，训练一个决策树构建的adaboost级联决策器来识别是否为人脸。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ppbWlhbzU1MjE0NzU3Mg_size_16_color_FFFFFF_t_70 2][]

# 2.实现 #

OpenCV中自带已训练好的检测器，包括面部，眼睛，猫脸等，都保存在XML文件中，我们可以通过以下程序找到他们：

import cv2 as cv
    print(cv.__file__)

找到的文件如下所示：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ppbWlhbzU1MjE0NzU3Mg_size_16_color_FFFFFF_t_70 3][]

OpenCV中自带已训练好的检测器 位于 G:\\Anaconda3\\Lib\\site-packages\\cv2\\data 路径下

haarcascade_eye.xml
    haarcascade_eye_tree_eyeglasses.xml
    haarcascade_frontalcatface.xml
    haarcascade_frontalcatface_extended.xml
    haarcascade_frontalface_alt.xml
    haarcascade_frontalface_alt2.xml
    haarcascade_frontalface_alt_tree.xml
    haarcascade_frontalface_default.xml
    haarcascade_fullbody.xml
    haarcascade_lefteye_2splits.xml
    haarcascade_licence_plate_rus_16stages.xml
    haarcascade_lowerbody.xml
    haarcascade_profileface.xml
    haarcascade_righteye_2splits.xml
    haarcascade_russian_plate_number.xml
    haarcascade_smile.xml
    haarcascade_upperbody.xml

那我们就利用这些文件来识别人脸，眼睛等。检测流程如下：

1.  读取图片，并转换成灰度图
2.  实例化人脸和眼睛检测的分类器对象
    
        # 实例化级联分类器
        classifier =cv.CascadeClassifier( "haarcascade_frontalface_default.xml" ) 
        # 加载分类器
        classifier.load('haarcascade_frontalface_default.xml')
3.  进行人脸和眼睛的检测
    
        rect = classifier.detectMultiScale(gray, scaleFactor, minNeighbors, minSize,maxsize)
    
    参数：
    
     *  Gray: 要进行检测的人脸图像
     *  scaleFactor: 前后两次扫描中，搜索窗口的比例系数
     *  minneighbors：目标至少被检测到minNeighbors次才会被认为是目标
     *  minsize和maxsize: 目标的最小尺寸和最大尺寸
4.  将检测结果绘制出来就可以了。

主程序如下所示：

import cv2 as cv
    import matplotlib.pyplot as plt
    # 1.以灰度图的形式读取图片
    img = cv.imread("16.jpg")
    gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
    
    # 2.实例化OpenCV人脸和眼睛识别的分类器 
    face_cas = cv.CascadeClassifier( "haarcascade_frontalface_default.xml" ) 
    face_cas.load('haarcascade_frontalface_default.xml')
    
    eyes_cas = cv.CascadeClassifier("haarcascade_eye.xml")
    eyes_cas.load("haarcascade_eye.xml")
    
    # 3.调用识别人脸 
    faceRects = face_cas.detectMultiScale( gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32)) 
    for faceRect in faceRects: 
        x, y, w, h = faceRect 
        # 框出人脸 
        cv.rectangle(img, (x, y), (x + h, y + w),(0,255,0), 3) 
        # 4.在识别出的人脸中进行眼睛的检测
        roi_color = img[y:y+h, x:x+w]
        roi_gray = gray[y:y+h, x:x+w]
        eyes = eyes_cas.detectMultiScale(roi_gray) 
        for (ex,ey,ew,eh) in eyes:
            cv.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
    # 5. 检测结果的绘制
    plt.figure(figsize=(8,6),dpi=100)
    plt.imshow(img[:,:,::-1]),plt.title('检测结果')
    plt.xticks([]), plt.yticks([])
    plt.show()

结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ppbWlhbzU1MjE0NzU3Mg_size_16_color_FFFFFF_t_70 4][]

我们也可在视频中对人脸进行检测：

import cv2 as cv
    import matplotlib.pyplot as plt
    # 1.读取视频
    cap = cv.VideoCapture("movie.mp4")
    # 2.在每一帧数据中进行人脸识别
    while(cap.isOpened()):
        ret, frame = cap.read()
        if ret==True:
            gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)
            # 3.实例化OpenCV人脸识别的分类器 
            face_cas = cv.CascadeClassifier( "haarcascade_frontalface_default.xml" ) 
            face_cas.load('haarcascade_frontalface_default.xml')
            # 4.调用识别人脸 
            faceRects = face_cas.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32)) 
            for faceRect in faceRects: 
                x, y, w, h = faceRect 
                # 框出人脸 
                cv.rectangle(frame, (x, y), (x + h, y + w),(0,255,0), 3) 
            cv.imshow("frame",frame)
            if cv.waitKey(1) & 0xFF == ord('q'):
                break
    # 5. 释放资源
    cap.release()  
    cv.destroyAllWindows()

--------------------

**总结**

opencv中人脸识别的流程是：

1.  读取图片，并转换成灰度图
2.  实例化人脸和眼睛检测的分类器对象

# 实例化级联分类器
    classifier =cv.CascadeClassifier( "haarcascade_frontalface_default.xml" ) 
    # 加载分类器
    classifier.load('haarcascade_frontalface_default.xml')

1.  进行人脸和眼睛的检测

rect = classifier.detectMultiScale(gray, scaleFactor, minNeighbors, minSize,maxsize)

1.  将检测结果绘制出来就可以了。

我们也可以在视频中进行人脸识别

--------------------

In \[1\]:

import cv2 as cv

import matplotlib.pyplot as plt

In \[2\]:

img = cv.imread('./image/yangzi.jpg')

In \[3\]:

gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

In \[4\]:

# 实例化检测器

face_cas = cv.CascadeClassifier( "haarcascade_frontalface_default.xml" )

face_cas.load('haarcascade_frontalface_default.xml')

eyes_cas = cv.CascadeClassifier("haarcascade_eye.xml")

eyes_cas.load("haarcascade_eye.xml")

Out\[4\]:

True

In \[5\]:

# 人脸检测

face_rects = face_cas.detectMultiScale(gray,scaleFactor =1.2,minNeighbors = 3,minSize=(32,32))

In \[6\]:

# 绘制人脸检测眼睛

for facerect in face_rects:

x,y,w,h = facerect

cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),3)

roi_color = img[y:y+h,x:x+w]

roi_gray = gray[y:y+h,x:x+w]

eyes = eyes_cas.detectMultiScale(roi_gray)

for (ex,ey,ew,eh) in eyes:

cv.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),3)

In \[7\]:

plt.imshow(img[:,:,::-1])

Out\[7\]:

<matplotlib.image.AxesImage at 0x12f4359d0>

![20200407160619750.png][]

--------------------

# **python调用摄像头同时使用OpenCV中自带已训练好的检测器来检测实时图像中的人脸和眼睛** #

import numpy as np
    import cv2
    import cv2 as cv
    import matplotlib.pyplot as plt
    
    # 实例化检测器
    face_cas = cv.CascadeClassifier("haarcascade_frontalface_default.xml" )
    face_cas.load('haarcascade_frontalface_default.xml')
    
    eyes_cas = cv.CascadeClassifier("haarcascade_eye.xml")
    eyes_cas.load("haarcascade_eye.xml")
    
    # 调用笔记本内置摄像头，所以参数为0，如果有其他的摄像头可以调整参数为1，2
    cap = cv2.VideoCapture(0)
    while True:
        # 从摄像头读取图片
        sucess, img = cap.read()
    
        # 转为灰度图片
        # gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        # 显示摄像头，背景是灰度。
        # cv2.imshow("img", gray)
        #彩色显示图像
        # cv2.imshow("img", img)
    
        # 以灰度图的形式读取图片
        gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
        # 调用识别人脸
        faceRects = face_cas.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))
    
        for faceRect in faceRects:
            x, y, w, h = faceRect
            # 框出人脸
            cv.rectangle(img, (x, y), (x + h, y + w), (0, 255, 0), 3)
            # 4.在识别出的人脸中进行眼睛的检测
            roi_color = img[y:y + h, x:x + w]
            roi_gray = gray[y:y + h, x:x + w]
            eyes = eyes_cas.detectMultiScale(roi_gray)
            for (ex, ey, ew, eh) in eyes:
                cv.rectangle(roi_color, (ex, ey), (ex + ew, ey + eh), (0, 255, 0), 2)
        ## 检测结果的绘制
        # plt.figure(figsize=(8, 6), dpi=100)
        # plt.imshow(img[:, :, ::-1]), plt.title('检测结果')
        # plt.xticks([]), plt.yticks([])
        # plt.show()
    
        #彩色显示图像
        cv2.imshow("img", img)
    
        # 保持画面的持续。
        k = cv2.waitKey(1)
        if k == 27:
            # 通过esc键退出摄像
            cv2.destroyAllWindows()
            break
        elif k == ord("s"):
            # 通过s键保存图片，并退出。
            cv2.imwrite("image2.jpg", img)
            cv2.destroyAllWindows()
            break
    
    # 关闭摄像头
    cap.release()

[20191009191333910.png]: /images/20230528/aac62f1d300445da88e940653a4f143e.png
[Link 1]: http://www.rimengshe.com/
[AI_Keras PyTorch MXNet TensorFlow PaddlePaddle]: https://blog.csdn.net/zimiao552147572/article/details/88867161
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ppbWlhbzU1MjE0NzU3Mg_size_16_color_FFFFFF_t_70]: /images/20230528/bdeec1af1ab54f2fbdce0b4d4a6a9f95.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ppbWlhbzU1MjE0NzU3Mg_size_16_color_FFFFFF_t_70 1]: /images/20230528/1a82761b0ee14d2cbd94f6fbb5855a49.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ppbWlhbzU1MjE0NzU3Mg_size_16_color_FFFFFF_t_70 2]: /images/20230528/ac5d75eda31d41838d3cdd993bdeeb6d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ppbWlhbzU1MjE0NzU3Mg_size_16_color_FFFFFF_t_70 3]: /images/20230528/cdf1f2be57c241f18e63a20c93ec3a45.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ppbWlhbzU1MjE0NzU3Mg_size_16_color_FFFFFF_t_70 4]: /images/20230528/c71f5e5b81594e1d847103928c79df28.png
[20200407160619750.png]: /images/20230528/35a11d049b6245bd9999c2c913b9ed83.png