Python+OpenCV人脸检测原理及示例详解

最高的道德就是不断地为人服务,为人类的爱而工作。相信自已。不要妄加评判自已,也不会把自已交给别人评判,更不会贬低自已。

关于opencv

OpenCV 是 Intel 开源计算机视觉库 (Computer Version) 。它由一系列 C 函数和少量 C++ 类构成,实现了图像处理和计算机视觉方面的很多通用算法。

OpenCV 拥有包括 300 多个 C 函数的跨平台的中、高层 API 。它不依赖于其它的外部库 —— 尽管也可以使用某些外部库。 OpenCV 对非商业应用和商业应用都是免费 的。同时 OpenCV 提供了对硬件的访问,可以直接访问摄像头,并且 opencv 还提供了一个简单的 GUI(graphics user interface) 系统 :highgui 。 我们就通过 OpenCV 提供的一些方法来构造出这个人脸检测(face detection) 程序来。

opencv的python包装

OpenCV 本身是有 C/C++ 编写的,如果要在其他语言中使用,我们可以通过对其动态链接库文件进行包装即可,幸运的是, Python 下有很多个这样的包装,本文中使用的是 Cvtypes 。

事实上,在 Python 中很多的包都是来自第三方的,比如 PIL(Python Image Library) 即为 C 语言实现的一个图形处理包,被包装到了 Python 中,这些包装可以让你像使用 Python 的内建函数一样的使用这些 API 。

人脸检测原理

人脸检测属于目标检测(object detection) 的一部分,主要涉及两个方面

1.先对要检测的目标对象进行概率统计,从而知道待检测对象的一些特征,建立起目标检测模型。
2.用得到的模型来匹配输入的图像,如果有匹配则输出匹配的区域,否则什么也不做。

计算机视觉

计算机的视觉系统,跟人的眼睛是大不相同的,但是其中也有类似之处。人眼之能够看到物体,是通过物体上反射出来的光线刺激人眼的感光细胞,然后视觉神经在大脑中形成物体的像。计算机通过摄像头看到的东西要简单的多,简单来说,就是一堆由数字组成的矩阵。这些数字表明了物体发出的光的强弱,摄像头的光敏元件将光信号转化成数字信号,将其量化为矩阵。

如何从这些数字中得出:"这是一个人脸"的结论,是一个比较复杂的事情。物理世界是彩色的,一般来说,计算机中的彩色图片都是由若干个色彩通道累积出来的,比如RGB模式的图片,有红色通道(Red),绿色通道(Green)和蓝色通道(Blue),这三个通道都是灰度图,比如一个点由8位来表示,则一个通道可以表示2^8=256个灰度。那样三个通道进行叠加以后可以表3*8=24位种色彩,也就是我们常说的24位真彩。

对这样的图片做处理,无疑是一件很复杂的事,所以有必要先将彩色图转为灰度图,那样可以减少数据量(比如RGB模式,可以减少到原图片的1/3),同时可以去掉一些噪声信号。先将图片转化为灰度图,然后将这个灰度图的对比度增高,这样可以使得图片本来暗的地方更暗,亮的地方更亮一些。这样处理以后,图片就更容易被算法设别出来了。

Harr特征级联表

OpenCV在物体检测上使用的是haar特征的级联表,这个级联表中包含的是boost的分类器。首先,人们采用样本的haar特征进行分类器的训练,从而得到一个级联的boost分类器。训练的方式包含两方面:

1.正例样本,即待检测目标样本
2.反例样本,其他任意的图片

首先将这些图片统一成相同的尺寸,这个过程被称为归一化,然后进行统计。一旦分类器建立完成,就可以用来检测输入图片中的感兴趣区域的检测了,一般来说,输入的图片会大于样本,那样,需要移动搜索窗口,为了检索出不同大小的目标,分类器可以按比例的改变自己的尺寸,这样可能要对输入图片进行多次的扫描。

什么是级联的分类器呢?级联分类器是由若干个简单分类器级联成的一个大的分类器,被检测的窗口依次通过每一个分类器,可以通过所有分类器的窗口即可判定为目标区域。同时,为了考虑效率问题,可以将最严格的分类器放在整个级联分类器的最顶端,那样可以减少匹配次数。

基础分类器以haar特征为输入,以0/1为输出,0表示未匹配,1表示匹配。

Haar特征

边界特征,包含四种
线性特征,包含8种
中心围绕特征,包含两种

在扫描待检测图片的时候,以边界特征中的(a)为例,正如前面提到的那样,计算机中的图片是一个数字组成的矩阵,程序先计算整个窗口中的灰度值x,然后计算矩形框中的黑色灰度值y,然后计算(x-2y)的值,得到的数值与x做比较,如果这个比值在某一个范围内,则表示待检测图片的当前扫描区域符合边界特征(a),然后继续扫描。

关于这个算法的更详细描述已经超出了本文的范围,可以在参考资源中获得更多的信息。

非固定大小目标检测

因为是基于视频流的目标检测,我们事先不太可能知道要检测的目标的大小,这就要求我们的级联表中的分类器具有按比例增大(或者缩小)的能力,这样,当小的窗口移动完整个待检测图片没有发现目标时,我们可以调整分类器的大小,然后继续检测,直到检测到目标或者窗口与待检测图片的大小相当为止。

步骤一:图片预处理

在从摄像头中获得一个帧(一张图片)后,我们需要先对这张图片进行一些预处理:
1.将图片从RGB模式转为灰度图将灰度图
2.进行灰度图直方图均衡化操作

这两个步骤在OpenCV中是非常简单的:

image_size = cv.cvGetSize(image)#获取原始图像尺寸 
 
grayscale = cv.cvCreateImage(image_size, 8, 1)# 建立一个空的灰度图 
cv.cvCvtColor(image, grayscale, cv.CV_BGR2GRAY)#转换 
 
storage = cv.cvCreateMemStorage(0)#新建一块存储区,以备后用 
cv.cvClearMemStorage(storage) 
 
cv.cvEqualizeHist(grayscale, grayscale)# 灰度图直方图均衡化 

步骤二:检测并标记目标

OpenCV中,对于人脸检测的模型已经建立为一个XML文件,其中包含了上面提到的harr特征的分类器的训练结果,我们可以通过加载这个文件而省略掉自己建立级联表的过程。有了级联表,我们只需要将待检测图片和级联表一同传递给OpenCV的目标检测算法即可得到一个检测到的人脸的集合。

# detect objects 
cascade = cv.cvLoadHaarClassifierCascade('haarcascade_frontalface_alt.xml', 
                      cv.cvSize(1,1)) 
faces = cv.cvHaarDetectObjects(grayscale, cascade, storage, 1.2, 2, 
                cv.CV_HAAR_DO_CANNY_PRUNING, 
                cv.cvSize(50, 50))#设置最小的人脸为50*50像素 
 
if faces: 
  print 'face detected here', cv.cvGetSize(grayscale) 
  for i in faces: 
    cv.cvRectangle(image, cv.cvPoint( int(i.x), int(i.y)), 
           cv.cvPoint(int(i.x + i.width), int(i.y + i.height)), 
           cv.CV_RGB(0, 255, 0), 1, 8, 0)#画一个绿色的矩形框 

步骤三:用highgui画出视频窗口

highgui.cvNamedWindow ('camera', highgui.CV_WINDOW_AUTOSIZE) 
highgui.cvMoveWindow ('camera', 50, 50) 
 
highgui.cvShowImage('camera', detimg) 

可以看到,OpenCV的API相当清晰,使用Python的包装,可以使得代码非常小。好了,我们可以看看程序的运行结果:


由于视频流是动态的,所以我们可以在程序的入口中使用一个无限循环,在循环中,每次从视频中读入一个帧,将这个帧传输给人脸检测模块,检测模块在这个帧上进行标记(如果有人脸的话),然后返回这个帧,主程序拿到这个帧后,更新显示窗口。

opencv的其他特性

拉普拉斯边缘检测

def laplaceTransform(image): 
  laplace = None 
  colorlaplace = None 
  planes = [None, None, None] 
 
  image_size = cv.cvGetSize(image) 
  if not laplace: 
    for i in range(len(planes)): 
      planes[i] = cv.cvCreateImage(image_size, 8, 1) 
    laplace = cv.cvCreateImage(image_size, cv.IPL_DEPTH_16S, 1) 
    colorlaplace = cv.cvCreateImage(image_size, 8, 3) 
 
  cv.cvSplit(image, planes[0], planes[1], planes[2], None) 
 
  for plane in planes: 
    cv.cvLaplace(plane, laplace, 3) 
    cv.cvConvertScaleAbs(laplace, plane, 1, 0) 
 
  cv.cvMerge(planes[0], planes[1], planes[2], None, colorlaplace) 
  colorlaplace.origin = image.origin 
 
  return colorlaplace 

效果图:

CVtypes中自带了一个关于图像色彩空间的直方图的例子:


结束语

OpenCV的功能十分强大,而且提供了大量的算法实现,文中涉及到的内容只是计算机视觉中很小的一部分。读者可以考虑将采集到的人脸进行标识,从而实现特定人的人脸识别。或者考虑将人脸检测移植到网络上,从而实现远程监控。试想一下,原来没有生命的机器,我们可以通过自己的思想,动作来使得它们看起来像是有思想一样,这件事本身就非常的有趣。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。

您可能有感兴趣的文章
Python自动化运维-使用Python脚本监控华为AR路由器关键路由变化

Python自动化运维-netmiko模块设备自动发现

Python自动化运维—netmiko模块连接并配置华为交换机

Python自动化运维-利用Python-netmiko模块备份设备配置

Python自动化运维-Paramiko模块和堡垒机实战