树莓派4B_OpenCv学习笔记21：OpenCV

树莓派4B_OpenCv学习笔记21：OpenCV_haar人脸识别

news2024/11/17 11:50:07

今日继续学习树莓派4B 4G：（Raspberry Pi，简称RPi或RasPi）

本人所用树莓派4B 装载的系统与版本如下:

版本可用命令 (lsb_release -a) 查询:

Opencv 版本是4.5.1：

Python 版本3.7.3：

今日学习：OpenCV_haar人脸识别

文章提供测试代码讲解，整体代码贴出、测试效果图、完整测试工程下载

目录

整体代码贴出：

测试效果图：

整体工程下载：

网上学习资料网址贴出：

基于Haar特征和AdaBoost算法训练而成的xml

以下有XML关特征分类集的知识为AI生成：

1. 文件用途

人脸检测：该文件能够识别并标记出图像或视频帧中的正面人脸区域。
应用场景：广泛应用于人脸识别、安防监控、人脸支付等领域。

2. 算法原理

Haar特征：Haar特征是一种图像局部特征描述子，通过计算图像中特定区域的特征值（如黑白矩形框内的像素和之差）来描述图像的局部结构。这些特征能够有效地捕捉图像中的边缘、纹理等信息，适用于面部检测等任务。
AdaBoost算法：AdaBoost是一种集成学习算法，用于构建多个弱分类器，并将它们组合成一个强分类器。在Haarcascade算法中，AdaBoost算法用于优化级联分类器的性能，通过不断地对分类器进行训练和调整，提高分类器的准确性和鲁棒性。
级联分类器：级联分类器是一种常用的分类器结构，它将多个弱分类器组合在一起，形成一个强分类器。在Haarcascade算法中，级联分类器用于将图像中的面部区域与非面部区域进行区分。

3. 文件位置

OpenCV安装目录：在OpenCV的安装目录下，通常可以在data/haarcascades文件夹中找到该文件。具体位置可能因OpenCV的安装方式和版本而有所不同。
GitHub仓库：OpenCV的GitHub仓库中也包含了该文件，可以在opencv/data/haarcascades路径下找到。

4. 使用方法

在OpenCV中，可以通过cv2.CascadeClassifier()函数加载haarcascade_frontalface_default.xml文件，创建一个人脸检测器对象。然后，使用该对象对图像或视频帧进行人脸检测。

5. 注意事项

检测效果：虽然haarcascade_frontalface_default.xml文件在大多数情况下能够取得较好的检测效果，但在某些复杂场景下（如光照变化、遮挡、姿态变化等）可能会出现误检或漏检的情况。
性能优化：为了提高检测性能和准确性，可以根据具体应用场景对模型进行调优或选择其他更适合的模型。

cv2.CascadeClassifier 是 OpenCV 库中用于对象检测（尤其是面部、眼睛、车辆等）的一个非常有效的工具。它基于 Viola-Li 积分图像和 AdaBoost 算法，能够快速地从图像中检测出预先训练好的对象。在你给出的例子中，haarcascade_frontalface_default.xml 和 haarcascade_eye.xml 是两个预训练的 Haar 特征分类器文件，分别用于检测正面人脸和眼睛。

关于训练你自己的 Haar 特征分类器

可以训练你自己的 Haar 特征分类器，但这通常是一个相对复杂和耗时的过程，需要大量的标记数据（即带有标注的图像）和一定的机器学习知识。以下是训练 Haar 特征分类器的一般步骤：

收集数据集：
你需要收集大量的图像，这些图像应该包含你想要检测的对象（例如，不同角度、光照条件下的面部或眼睛）。
这些图像需要被手动标注，指出每个对象的确切位置（通常是矩形框）。
准备数据：
将你的数据集转换为 OpenCV 需要的格式。这通常涉及到将图像和对应的标注信息组织成一定的文件结构。
训练分类器：
使用 OpenCV 的 opencv_traincascade 工具或类似的库来训练你的分类器。这个工具会读取你的数据集，提取 Haar 特征，并使用 AdaBoost 算法来训练一个分类器。
训练过程可能需要多次迭代和调整参数，以达到最佳的检测效果。
评估分类器：
使用一个独立的测试集来评估你的分类器的性能。
检查准确率、召回率和误报率等指标。
优化和部署：
根据测试结果优化你的分类器（例如，调整训练参数、收集更多数据等）。
一旦你满意了分类器的性能，就可以将其部署到你的应用程序中。

注意事项

训练 Haar 特征分类器需要大量的计算资源（CPU 时间和内存）。
收集高质量、多样化的数据集对于训练出好的分类器至关重要。
Haar 特征分类器对于光照变化、遮挡和角度变化等因素比较敏感，可能需要在这些方面进行优化。

由于这些原因，许多开发者选择使用预训练的 Haar 特征分类器，或者探索其他更现代的对象检测方法，如基于深度学习的模型（如 YOLO、SSD、Faster R-CNN 等），这些方法在检测精度和效率方面通常表现更好。

整体代码贴出：

这个代码展示了识别人脸以及人眼：

引用预先训练好的XML文件，XML文件要与python文件在同一目录！

# -*- coding: utf-8 -*-
import numpy as np
import cv2

# 这两行代码加载了Haar特征分类器，用于检测人脸和眼睛。
# haarcascade_frontalface_default.xml和haarcascade_eye.xml是预先训练好的XML文件，包含了检测人脸和眼睛所需的特征数据。
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml')

cap = cv2.VideoCapture(0)

while 1:
    ret, img = cap.read()
    #cv2.flip(img,1)将图像水平翻转，因为摄像头捕获的图像通常是镜像的。
    img = cv2.flip(img,1)
    #cv2.cvtColor将图像从BGR颜色空间转换为灰度图像，因为Haar特征分类器在灰度图像上工作得更好。
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    #使用人脸分类器在灰度图像上检测多个人脸。detectMultiScale方法返回检测到的面部的边界框列表。
    faces = face_cascade.detectMultiScale(gray, 1.3, 5)

    #遍历检测到的每个人脸，x,y,w,h分别是边界框的左上角坐标、宽度和高度。
    for (x,y,w,h) in faces:
        #使用cv2.rectangle在原始图像上绘制人脸的矩形框
        cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
        #从人脸区域中裁剪出ROI（Region of Interest，感兴趣区域），并在灰度图像和原始图像上分别进行裁剪
        roi_gray = gray[y:y+h, x:x+w]
        roi_color = img[y:y+h, x:x+w]
        print (int(x+w/2), int(y+h/2))
        #在人脸ROI上检测眼睛，并在检测到的眼睛位置绘制绿色矩形框
        eyes = eye_cascade.detectMultiScale(roi_gray)
        for (ex,ey,ew,eh) in eyes:
            cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
    #显示处理后的图像
    cv2.imshow('img',img)

    key = cv2.waitKey(1) & 0xFF
    if key == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()