概述：計算視覺是人工智能的一部分，旨在設計能夠像人類視覺一樣進行觀察的智能算法。

在本文中，我們將介紹三個主要范圍。

· 人臉檢測

· 物體檢測

· 面部識別

· 對象跟蹤

在第一篇文章中，我們將重點介紹計算機視覺，以及基于 Python OpenCV 庫的人臉識別應用。

在以后的文章中，我們將演示對象識別、人臉識別和對象跟蹤在實時視頻中的應用。

目錄

1．介紹

2．人臉檢測算法

3．人臉檢測實現(xiàn)

4．OpenCV 的替代方案

5．結論

6．參考文獻

介紹

本文的讀者將能夠了解幾個視覺計算應用程序的功能、它們在后臺和架構中的操作，以及實現(xiàn)應用程序以供實際使用的必要步驟。

現(xiàn)在讓我們看看我們之前已經討論過的一些可以在該領域開發(fā)的其他應用程序。

人臉檢測在找到人臉時會放一個小方框，并為這些人命名。我們將做一個有點類似于這個的實現(xiàn)。

我們有這張來自微軟的 Kinect 圖像，它與運動檢測的 Xbox 視頻游戲集成在一起。

當有人移動方向盤時，你可以使用計算機視覺來檢測控制汽車的人。需要計算機視覺技術來進行圖像識別，也就是說，機器人需要看到它面前的東西來做出決定。

另一個例子是自動駕駛汽車。你可以注意到這輛車中有一系列傳感器，例如，它需要檢測行人以避免撞到人。

你需要檢測交通標志或是否有紅綠燈。

如果信號為紅色，則必須停止，如果信號為綠色，則必須繼續(xù)。為此，使用計算機視覺技術，包括所使用的技術。這種人臉檢測技術也用于物體檢測。

如果他識別出軌道上的物體，他就必須采取某種行動。增強現(xiàn)實、虛擬現(xiàn)實的想法使用計算機視覺技術。

這張SD光束的圖像顯示的是不存在的人。算法使用了一種叫做GAN的技術生成了這些人，即生成對抗網絡，這是深度學習人工神經網絡中的一個超級領域。

最后，我們還有另一個例子，稱為 deep Durin，它是由神經網絡生成的圖像。你可以看到這些迷幻的圖像，在這個圖像的某些部分有一些特征，有一些動物的痕跡，即算法已經有了關于動物的信息，關于這些動物的圖像非常類似于一種算法，這種算法將圖像的特征與風景圖像相結合。

一個應用示例是深度人臉，它是人工智能創(chuàng)建的人臉。

人臉檢測算法

級聯(lián)分類器是一種算法，你將學習對某個對象進行分類以開始訓練。

我們需要兩組圖像，第一組帶有你要檢測的正面圖像的人臉，第二組圖像稱為負圖像，它們不是簡單的圖像。

例如，如果你想檢測汽車，你會將汽車作為正圖像，將各種型號和類型的汽車作為負圖像。

任何其他類型的圖像，你都需要將這兩組圖像提交給算法進行訓練。

在機器學習領域有一種叫做 Ada boost 的算法訓練。我不會詳細介紹該算法的工作原理，但基本上，你把這個算法應用到正圖像和負圖像上，這個想法就是特征選擇。

我們有幾個特征或者是這些黑色和白色的小方塊，你可以用這些特征來分類一張臉。

這些小方塊用于圖像的每個子窗口。

這個窗口概念表明它從左到右，從上到下移動。

人臉檢測實現(xiàn)

我們將使用 Python OpenCV 庫，它是市場上用于開發(fā)可視化計算應用程序的主要工具之一。

下載訓練截圖，以及帶有人臉識別訓練的 Cascade Classifier．XLM 訓練。

現(xiàn)在讓我們用 Python 展示我們的代碼：

import cv2 ＃ OpenCV Import

img ＝ cv2．imread（＇／content／imagem－computer－vision．jpg＇， cv2．IMREAD＿UNCHANGED） ＃ Import Image with Peoples

cv2＿imshow（img）

detector＿face ＝ cv2．CascadeClassifier（＇／content／haarcascade＿frontalface＿default．xml＇）

imagem＿cinza ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）

cv2＿imshow（imagem＿cinza）

deteccoes ＝ detector＿face．detectMultiScale（imagem＿cinza， scaleFactor＝1．3， minSize＝（30，30））

deteccoes

array（［［1635，  156，  147，  147］，
                 ［ 284，  262，  114，  114］，
                 ［1149，  260，  129，  129］，
                 ［ 928，  491，  171，  171］，
                 ［ 222，  507，  151，  151］］， dtype＝int32）

for （x， y， l， a） in deteccoes：

   ＃print（x， y， l， a）

   cv2．rectangle（img， （x， y）， （x ＋ l， y ＋ a）， （0，255，0）， 2）

cv2＿imshow（img）

我們通過 Google Colab notebook 可視化了人臉識別的處理過程：

將返回數字 5 表示他檢測到5張臉，我們有這些點來指示每張臉，以便你更好地理解，讓我們使用最后一張臉。

len（deteccoes） ＃ Fotal Faces＝ 5

5

OpenCV 的替代方案

在選擇 OpenCV 的替代方案時，我們采用了以下標準：

· 易于使用

· 可用性

· 可擴展性

· 穩(wěn)健性

· 靈活性

以下是我的替代方案列表，遵循上述標準：

1.Microsoft Computer Vision API

2.AWS Rekognition

3.Google Cloud Vision API

4.Scikit－Image

5.SimpleCV

6.Azure Face API

7.DeepDream

8.IBM Watson Visual Recognition

9.Clarifi

10.DeepPy

結論

在本文中，我們使用 Python OpenCV 庫作為一種工具，以敏捷高效的方式加快人臉識別速度。

參考

       原文標題 : 實現(xiàn)計算機視覺——人臉檢測