在 python 中使用 Haar-Cascade 進行人臉檢測
介紹
在本文中,我們將討論在 OpenCV python 中使用 Haar Cascade(級聯(lián))實現(xiàn)人臉檢測器。
識別圖像中的給定對象稱為對象檢測?梢允褂枚喾N技術(shù)來完成此任務,但在本文中,我們將使用帶有預訓練 XML 文件的 haar 級聯(lián)。這是執(zhí)行對象檢測的最簡單方法。
Haar 級聯(lián)已用于低邊緣設(shè)備上的對象檢測,它是 OpenCV 中最流行的對象檢測算法之一。
Haar 級聯(lián)計算量不大;因此它適用于計算能力較小的小型設(shè)備。
Haar 級聯(lián)
什么是 Haar 級聯(lián),它是如何工作的?
Haar 級聯(lián) 是一種基于特征的對象檢測算法,用于從圖像中檢測對象。Cascade 函數(shù)在大量正負圖像上進行訓練以進行檢測。
該算法不需要大量計算并且可以實時運行。我們可以為動物、汽車、自行車等自定義對象訓練自己的級聯(lián)函數(shù)。
Haar 級聯(lián) 不能用于人臉識別,因為它只能識別匹配的形狀和大小。
Haar 級聯(lián)使用 Cascade 函數(shù)和 Cascade 窗口。它嘗試計算每個窗口的特征并進行正負分類。如果窗口可以是對象的一部分,則為正,否則為負。
Haar 級聯(lián)可以理解為二進制分類器。它為那些可以成為我們對象一部分的級聯(lián)窗口指定正值,為那些不能成為我們對象的一部分的窗口指定負值。
· Haar 級聯(lián)可以實時工作。
· 與現(xiàn)代對象檢測算法相比,Haar 級聯(lián)并不準確。
· 它檢測到許多誤報。這可以在一定程度上進行調(diào)整,但不能完全刪除。
· 實現(xiàn)起來非常簡單。
· Haar 級聯(lián)最大的缺點是它的誤報檢測。
預訓練的 Haar 級聯(lián)
有許多預訓練的 haar 級聯(lián)文件使實施變得超級容易。我們也可以訓練自己的 haar 級聯(lián),但這需要大數(shù)據(jù)進行訓練。
OpenCV 庫在 GitHub 上管理所有流行的 haar 級聯(lián)預訓練文件的存儲庫
這些文件可用于各種對象檢測任務,例如:
· 人臉檢測
· 眼睛檢測
· 車輛檢測
· 鼻子/嘴巴檢測
· 身體檢測
· 車牌檢測
Haar 級聯(lián)將其特征存儲在一個 XML 文件中;這些文件可以直接加載到 OpenCV 中,使用 Haar 級聯(lián)進行對象檢測。
在 OpenCV 中實現(xiàn) Haar 級聯(lián)
如果你正在使用 OpenCV 提供的存儲庫中可用的任何預訓練對象檢測,則只需下載預訓練的 XML 文件。
在 Python 中安裝 OpenCV
可以使用 python 中的 pip 包管理器安裝 OpenCV。
!pip install opencv-python
#---OR ---
!pip install opencv-contrib-python
在 OpenCV 中加載 Haar 級聯(lián)
我們可以使用函數(shù)cv2.CascadeClassifier加載 haar-cascade XML 文件。
face_detector=cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)
eye_dectector = cv2.CascadeClassifier(‘haarcascade_eye.xml’)
一旦加載了 XML 文件,我們就可以調(diào)用檢測器函數(shù)。
results = face_detector.detectMultiScale(gray_img, scaleFactor=1.15,minNeighbors=5,minSize=(34, 35), flags=cv2.CASCADE_SCALE_IMAGE)
# import the necessary packages
import cv2
face_detector=cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_dectector = cv2.CascadeClassifier('haarcascade_eye.xml')
image = cv2.imread('tomato.jpg')
gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
results = face_detector.detectMultiScale(gray_img, scaleFactor=1.15,minNeighbors=5,minSize=(34, 35), flags=cv2.CASCADE_SCALE_IMAGE)
print(results)
results是檢測到的對象周圍的邊界框坐標 (x,y,w,h) 的列表。
detectMultiScale中的參數(shù):
· scaleFactor:這表示對象的大小與原始圖像相比減小了多少。
· minNeighbors:此參數(shù)告訴在單個邊界框中應該有多少個鄰居。
· minSize?:這表示我們圖像中對象的最小可能大小。如果我們的對象小于 minSize ,它將被忽略。
注意:對于對象檢測,我們必須使用gray_image, minNeighbors,scaleFactor等參數(shù)。
人臉檢測
讓我們以第一個使用預訓練 haar 級聯(lián)的對象檢測示例為例,我們將使用 Python 從圖片中檢測人臉。
import numpy as np
import cv2
#---loading the Haar 級聯(lián) detector using CascadeClassifier---face_detector=cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
#---Loading the image from local -----
img = cv2.imread('team_india.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
results = face_detector.detectMultiScale(gray, 1.3, 5)
for (x,y,w,h) in results:
cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
· results它包含圖片中邊界框的坐標。
· detectMultiScale此方法僅適用于灰度圖片。
· cv2.rectangle允許我們在傳遞坐標后繪制矩形。
· scaleFactor = 1.3FineTuning 參數(shù),取值范圍從 1 到 2。
分級檢測
Haarcascade 支持分級檢測,這意味著 Haar 級聯(lián)能夠以分級方式檢測單個幀內(nèi)的多個對象。
假設(shè)我們必須檢測人類的面部和眼睛。要繼續(xù)執(zhí)行任務,我們需要執(zhí)行以下步驟。
· 檢測人臉
· 對于每張臉,裁剪人臉并將其轉(zhuǎn)發(fā)以進行眼睛檢測
· 在找到眼睛的坐標 ( ex,ey,ew,eh) 后,在原始圖片中的眼睛周圍繪制一個邊界框。
· 在原始圖片上使用坐標(x,y,w,h)在面部周圍繪制一個邊界框。
import numpy as np
import cv2
face_detector1=cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_detector1 = cv2.CascadeClassifier('haarcascade_eye.xml')
img = cv2.imread('uman.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces_result = face_detector.detectMultiScale(gray, 1.3, 5)
for (x,y,w,h) in faces_result:
img = cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
roi_gray = gray[y:y+h, x:x+w]
roi_color = img[y:y+h, x:x+w]
eyes = eye_detector.detectMultiScale(roi_gray)
for (ex,ey,ew,eh) in eyes:
cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
實時實現(xiàn)人臉檢測
我們可以在 OpenCV 視頻流中使用 Haar 級聯(lián)進行對象檢測,只需要在 OpenCV 中讀取視頻或攝像頭,其余的都是一樣的。
視頻源是一系列幀,因此代碼與單個幀相同。由于其輕計算要求,Haar 級聯(lián)每秒運行良好。
我們將讀取 OpenCV 視頻攝像頭輸入以實時拍攝圖像。
import cv2
face_detector1 = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_dectector1 = cv2.CascadeClassifier('haarcascade_eye.xml')
# reading the input image now
cap = cv2.VideoCapture(0)
while cap.isOpened():
_, frame = cap.read()
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
faces = face_detector1.detectMultiScale(gray,1.1, 4 )
for (x,y, w, h) in faces:
cv2.rectangle(frame, pt1 = (x,y),pt2 = (x+w, y+h), color = (255,0,0),thickness = 3)
roi_gray = gray[y:y+h,x:x+w]
roi_color = frame[y:y+h, x:x+w]
eyes = eye_dectector1.detectMultiScale(roi_gray)
for (ex,ey, ew, eh) in eyes:
cv2.rectangle(roi_color, (ex,ey), (ex+ew, ey+eh), (0,255,0), 5)
cv2.imshow("window", frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
frame.release()
眼睛和面部的邊界框?qū)⑹菍崟r的,并且每幀都會發(fā)生變化。
Haar 級聯(lián)人臉檢測的局限性
Haar 級聯(lián)對于人臉、汽車等一些對象仍然很受歡迎,這些對象很容易區(qū)分。
Haar 級聯(lián)不能用于深度目標檢測,如谷物類型等。
Haar 級聯(lián)算法有一些限制:
· 與現(xiàn)代對象檢測器相比,精度較低。
· 高假陽性檢測。
· 需要手動調(diào)整參數(shù)。
· 為自定義對象訓練 haar 級聯(lián)并不容易。
結(jié)論
在本文中,我們討論了 haar 級聯(lián)的工作原理以及如何在 python 中使用 OpenCV實現(xiàn) haar 級聯(lián)以進行對象檢測。我們使用預訓練的 haar 級聯(lián)文件進行人臉檢測和眼睛檢測,然后我們實時執(zhí)行相同的操作。
我們還談到了 haar 級聯(lián)算法的局限性,為什么它仍然被廣泛使用,為什么它這么快。
· 可以使用手動參數(shù)調(diào)整來修復誤報率。
· YOLO、SSD 和其他深度學習對象檢測算法保證了更高的準確性。
· 訓練自定義 haar 級聯(lián)既耗時又低效。
原文標題 : 在 python 中使用 Haar-Cascade 進行人臉檢測
請輸入評論內(nèi)容...
請輸入評論/評論長度6~500個字
最新活動更多
-
10月31日立即下載>> 【限時免費下載】TE暖通空調(diào)系統(tǒng)高效可靠的組件解決方案
-
即日-11.13立即報名>>> 【在線會議】多物理場仿真助跑新能源汽車
-
11月28日立即報名>>> 2024工程師系列—工業(yè)電子技術(shù)在線會議
-
12月19日立即報名>> 【線下會議】OFweek 2024(第九屆)物聯(lián)網(wǎng)產(chǎn)業(yè)大會
-
即日-12.26火熱報名中>> OFweek2024中國智造CIO在線峰會
-
即日-2025.8.1立即下載>> 《2024智能制造產(chǎn)業(yè)高端化、智能化、綠色化發(fā)展藍皮書》
推薦專題
- 高級軟件工程師 廣東省/深圳市
- 自動化高級工程師 廣東省/深圳市
- 光器件研發(fā)工程師 福建省/福州市
- 銷售總監(jiān)(光器件) 北京市/海淀區(qū)
- 激光器高級銷售經(jīng)理 上海市/虹口區(qū)
- 光器件物理工程師 北京市/海淀區(qū)
- 激光研發(fā)工程師 北京市/昌平區(qū)
- 技術(shù)專家 廣東省/江門市
- 封裝工程師 北京市/海淀區(qū)
- 結(jié)構(gòu)工程師 廣東省/深圳市