介紹

在本文中，我們將討論在 OpenCV python 中使用 Haar Cascade（級(jí)聯(lián)）實(shí)現(xiàn)人臉檢測(cè)器。

識(shí)別圖像中的給定對(duì)象稱為對(duì)象檢測(cè)。可以使用多種技術(shù)來(lái)完成此任務(wù)，但在本文中，我們將使用帶有預(yù)訓(xùn)練 XML 文件的 haar 級(jí)聯(lián)。這是執(zhí)行對(duì)象檢測(cè)的最簡(jiǎn)單方法。

Haar 級(jí)聯(lián)已用于低邊緣設(shè)備上的對(duì)象檢測(cè)，它是 OpenCV 中最流行的對(duì)象檢測(cè)算法之一。

Haar 級(jí)聯(lián)計(jì)算量不大；因此它適用于計(jì)算能力較小的小型設(shè)備。

Haar 級(jí)聯(lián)

什么是 Haar 級(jí)聯(lián)，它是如何工作的？

Haar 級(jí)聯(lián) 是一種基于特征的對(duì)象檢測(cè)算法，用于從圖像中檢測(cè)對(duì)象。Cascade 函數(shù)在大量正負(fù)圖像上進(jìn)行訓(xùn)練以進(jìn)行檢測(cè)。

該算法不需要大量計(jì)算并且可以實(shí)時(shí)運(yùn)行。我們可以為動(dòng)物、汽車、自行車等自定義對(duì)象訓(xùn)練自己的級(jí)聯(lián)函數(shù)。

Haar 級(jí)聯(lián) 不能用于人臉識(shí)別，因?yàn)樗�只能識(shí)別匹配的形狀和大小。

Haar 級(jí)聯(lián)使用 Cascade 函數(shù)和 Cascade 窗口。它嘗試計(jì)算每個(gè)窗口的特征并進(jìn)行正負(fù)分類。如果窗口可以是對(duì)象的一部分，則為正，否則為負(fù)。

Haar 級(jí)聯(lián)可以理解為二進(jìn)制分類器。它為那些可以成為我們對(duì)象一部分的級(jí)聯(lián)窗口指定正值，為那些不能成為我們對(duì)象的一部分的窗口指定負(fù)值。

· Haar 級(jí)聯(lián)可以實(shí)時(shí)工作。

· 與現(xiàn)代對(duì)象檢測(cè)算法相比，Haar 級(jí)聯(lián)并不準(zhǔn)確。

· 它檢測(cè)到許多誤報(bào)。這可以在一定程度上進(jìn)行調(diào)整，但不能完全刪除。

· 實(shí)現(xiàn)起來(lái)非常簡(jiǎn)單。

· Haar 級(jí)聯(lián)最大的缺點(diǎn)是它的誤報(bào)檢測(cè)。

預(yù)訓(xùn)練的 Haar 級(jí)聯(lián)

有許多預(yù)訓(xùn)練的 haar 級(jí)聯(lián)文件使實(shí)施變得超級(jí)容易。我們也可以訓(xùn)練自己的 haar 級(jí)聯(lián)，但這需要大數(shù)據(jù)進(jìn)行訓(xùn)練。

OpenCV 庫(kù)在 GitHub 上管理所有流行的 haar 級(jí)聯(lián)預(yù)訓(xùn)練文件的存儲(chǔ)庫(kù)

這些文件可用于各種對(duì)象檢測(cè)任務(wù)，例如：

· 人臉檢測(cè)

· 眼睛檢測(cè)

· 車輛檢測(cè)

· 鼻子／嘴巴檢測(cè)

· 身體檢測(cè)

· 車牌檢測(cè)

Haar 級(jí)聯(lián)將其特征存儲(chǔ)在一個(gè) XML 文件中；這些文件可以直接加載到 OpenCV 中，使用 Haar 級(jí)聯(lián)進(jìn)行對(duì)象檢測(cè)。

在 OpenCV 中實(shí)現(xiàn) Haar 級(jí)聯(lián)

如果你正在使用 OpenCV 提供的存儲(chǔ)庫(kù)中可用的任何預(yù)訓(xùn)練對(duì)象檢測(cè)，則只需下載預(yù)訓(xùn)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(jí)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(cè)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(cè)到的對(duì)象周圍的邊界框坐標(biāo) （x，y，w，h） 的列表。

detectMultiScale中的參數(shù)：

· scaleFactor：這表示對(duì)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(gè)邊界框中應(yīng)該有多少個(gè)鄰居。

· minSize?：這表示我們圖像中對(duì)象的最小可能大小。如果我們的對(duì)象小于 minSize ，它將被忽略。

注意：對(duì)于對(duì)象檢測(cè)，我們必須使用gray＿image， minNeighbors，scaleFactor等參數(shù)。

人臉檢測(cè)

讓我們以第一個(gè)使用預(yù)訓(xùn)練 haar 級(jí)聯(lián)的對(duì)象檢測(cè)示例為例，我們將使用 Python 從圖片中檢測(cè)人臉。

import numpy as np

import cv2

＃－－－loading the Haar 級(jí)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(biāo)。

· detectMultiScale此方法僅適用于灰度圖片。

· cv2．rectangle允許我們?cè)趥鬟f坐標(biāo)后繪制矩形。

· scaleFactor ＝ 1．3FineTuning 參數(shù)，取值范圍從 1 到 2。

分級(jí)檢測(cè)

Haarcascade 支持分級(jí)檢測(cè)，這意味著 Haar 級(jí)聯(lián)能夠以分級(jí)方式檢測(cè)單個(gè)幀內(nèi)的多個(gè)對(duì)象。

假設(shè)我們必須檢測(cè)人類的面部和眼睛。要繼續(xù)執(zhí)行任務(wù)，我們需要執(zhí)行以下步驟。

· 檢測(cè)人臉

· 對(duì)于每張臉，裁剪人臉并將其轉(zhuǎn)發(fā)以進(jìn)行眼睛檢測(cè)

· 在找到眼睛的坐標(biāo) （ ex，ey，ew，eh） 后，在原始圖片中的眼睛周圍繪制一個(gè)邊界框。

· 在原始圖片上使用坐標(biāo)（x，y，w，h）在面部周圍繪制一個(gè)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(shí)時(shí)實(shí)現(xiàn)人臉檢測(cè)

我們可以在 OpenCV 視頻流中使用 Haar 級(jí)聯(lián)進(jìn)行對(duì)象檢測(cè)，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(gè)幀相同。由于其輕計(jì)算要求，Haar 級(jí)聯(lián)每秒運(yùn)行良好。

我們將讀取 OpenCV 視頻攝像頭輸入以實(shí)時(shí)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?shí)時(shí)的，并且每幀都會(huì)發(fā)生變化。

Haar 級(jí)聯(lián)人臉檢測(cè)的局限性

Haar 級(jí)聯(lián)對(duì)于人臉、汽車等一些對(duì)象仍然很受歡迎，這些對(duì)象很容易區(qū)分。

Haar 級(jí)聯(lián)不能用于深度目標(biāo)檢測(cè)，如谷物類型等。

Haar 級(jí)聯(lián)算法有一些限制：

· 與現(xiàn)代對(duì)象檢測(cè)器相比，精度較低。

· 高假陽(yáng)性檢測(cè)。

· 需要手動(dòng)調(diào)整參數(shù)。

· 為自定義對(duì)象訓(xùn)練 haar 級(jí)聯(lián)并不容易。

結(jié)論

在本文中，我們討論了 haar 級(jí)聯(lián)的工作原理以及如何在 python 中使用 OpenCV實(shí)現(xiàn) haar 級(jí)聯(lián)以進(jìn)行對(duì)象檢測(cè)。我們使用預(yù)訓(xùn)練的 haar 級(jí)聯(lián)文件進(jìn)行人臉檢測(cè)和眼睛檢測(cè)，然后我們實(shí)時(shí)執(zhí)行相同的操作。

我們還談到了 haar 級(jí)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(dòng)參數(shù)調(diào)整來(lái)修復(fù)誤報(bào)率。

· YOLO、SSD 和其他深度學(xué)習(xí)對(duì)象檢測(cè)算法保證了更高的準(zhǔn)確性。

· 訓(xùn)練自定義 haar 級(jí)聯(lián)既耗時(shí)又低效。

       原文標(biāo)題 : 在 python 中使用 Haar-Cascade 進(jìn)行人臉檢測(cè)