特征检测

使用HOG实现行人检测

HOG方向梯度直方图

实现过程：

1. 灰度化（为了去掉颜色、光照对形状的影响）;
2. 采用Gamma校正法对输入图像进行颜色空间的标准化（使得图像输入更符合肉眼看上去更加柔和的状态）;
3. 计算每个像素的梯度，包括方向和大小;
4. 将图像划分成小cells;
5. 统计每个cell的梯度直方图，得到cell的描述子；
6. 将每几个cell组成一个block，得到block的描述子；
7. 将图像image内的所有block的HOG特征descriptor串联起来就可以得到HOG特征，该特征向量就是用来目标检测或分类的特征。

import cv2
import numpy as np
# 判断矩形i是否完全包含在矩形o中
def is_inside(o, i):
 ox, oy, ow, oh = 0
 ix, iy, iw, ih = i
 return ox > ix and oy > iy and ox+ow < ix+iw and oy+oh < iy+ih

# 对人体绘制颜色框
def draw_person(image, person):
	x, y, w, h = person
	cv2.rectangle(image, (x,y), (x+w, y+h), (0,0,255), 1)
img = cv2.imread("person.png")
hog = cv2.HOGDescriptor() # 启动检测器对象
hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector()) # 指定检测器类型为人体
found, w = hog.detectMultiScale(img, 0.1, (1,1)) # 加载并检测对象
print(found)

# 丢弃某些完全被其它矩形包含在内的矩形，即其他都加入队列里
found_filtered = []
for ri, r in enumerate(found):
	for qi, q in enumerate(found):
		if ri != qi and is_inside(r, q):
			break
		else:
			found_filtered.append(r)
			print(found_filtered)
# 对其他有效矩形进行框定
for person in person_filtered:
	draw_person(img, person)
cv2.imshow("person detection", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

行人检测结果：

换了其他图片，发现这是效果最好的一张☝️

Harris角点检测

实现过程：

1. 计算图像在x和y方向的梯度
2. 计算图像两个方向的梯度的乘积
3. 使用高斯函数对三者进行高斯加权，生成矩阵M的A, B, C
4. 计算每个像素的Harris响应值R，并对小于某一阈值t的R置为零
5. 在3x3或5x5的邻域内进行非最大值抑制，局部最大值点即为图像的角点

import cv2
import numpy as np
img = cv2.imread("img.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = np.float32(gray) # 转换成numpy矩阵

# 输入图像必须是float32，blockSize，kernelsize，最后一个自由参数
#（经验取值在0.03~0.06之间）
dst = cv2.cornerHarris(gray, 2, 3, 0.03)

# 设定角点阈值，不同图像阈值不同
# 将角点用红色标注
img[dst>0.01*dst.max()]=[0, 0, 255]
# print(dst.max()) # 533091900.0
cv2.imshow("dst_img",img)
cv2.waitKey(0)
cv2.destryAllWindows()

角点检测：
在原图上进行角点标注：

可以对角点进行膨胀，看得更清楚：

dst = cv2.dilate(dst,None)

单纯使用Harris的话，稍微复杂一点检测效果不佳

关键特征检测SIFT

Scale-invariant feature transform, 尺度不变特征变换算法
实现过程：

1. 尺度空间极值检测点检测
2. 关键点定位：去除一些不好的特征点
3. 关键点方向参数：获取关键点所在尺度空间的邻域，然后计算该区域的梯度和方向，根据计算结果创建方向直方图，直方图的峰值为主方向的参数
4. 关键点描述：每个关键点用一组向量（位置、尺度、方向）将这个关键点描述出来，使其不随着光照、视角等等影响而改变【优势】
5. 关键点匹配：分别对模板图和实时图建立关键点描述符集合，通过对比关键点描述符来判断两个关键点是否相同

OpenCV > 4.0受到专利限制移除了xfeatures2d函数

import cv2
import numpy as np
img = cv2.imread("1.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray, None) # 找到关键点
img = cv2.drawKeypoints(gray, kp, img) # 绘制关键点

cv2.imshow('sp', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

纹理特征 LBP算法

Local Binary Pattern, 局部二值模式
LBP算子定义在3X3的窗口内，以窗口中心为阈值，与相邻的8个像素的灰度值比较，若周围的像素值大于中心像素值，则该位置被标为1；否则标记为0。

def LBP(src):
	height = src.shape[0]
	width = src.shape[1]
	dst = src.copy() # 浅拷贝
	lbp_value = np.zeros((1, 8), dtype=np.uint8)
	neighbours = np.zeros((1, 8), dtype=np.uint8)
	for x in range(1, width-1):
		for y in range(1, height-1):
			neighbours[0, 0] = src[y - 1, x - 1]
			neighbours[0, 1] = src[y - 1, x]
    		neighbours[0, 2] = src[y - 1, x + 1]
 	   		neighbours[0, 3] = src[y, x - 1]
   	  	    neighbours[0, 4] = src[y, x + 1]
        	neighbours[0, 5] = src[y + 1, x - 1]
        	neighbours[0, 6] = src[y + 1, x]
        	neighbours[0, 7] = src[y + 1, x + 1]
	        center = src[y, x]
        	for i in range(8):
        		if neighbours[0, i] > center:
        			lbp_value[0, i] = 1
      	  	else:
        			lbp_value[0, i] = 0
			# 计算lbp值(即二进制到十进制)
			lbp = lbp_value[0, 0] * 1 + lbp_value[0, 1] * 2 + lbp_value[0, 2] * 4 + lbp_value[0, 3] * 8 \
			 + lbp_value[0, 4] * 16 + lbp_value[0, 5] * 32 + lbp_value[0, 6] * 64 + lbp_value[0, 7] * 128
			# 将中心值改为lbp值
			dst[y, x] = lbp
		
	return dst

import cv2
import numpy as np
img = cv2.imread('building.png', 0) # 以单通道读入图像
# 看下源图
cv2.imshow('src',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

new_img = LBP(img)

cv2.imshow('lbp',new_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

模板匹配

人脸识别

一个完整的人脸识别系统一般包含4个主要组成部分：

1. 人脸检测（人脸位置）Face Detect
2. 人脸对齐（五官位置）Face Alignment
3. 人脸特征提取（抽象为字符串信息）Face Feature Extraction
4. 人脸识别（计算相似度，确认身份）Face Recognition

• OpenCV封装的人脸检测方法

import cv2

img = cv2.imread("1.png")
# 检测器，加载人脸特征（该文件在python安装目录下）
face_cascade = cv2.CascadeClassifier(r'haaracascade_frontalface_default.xml')
# 灰度图减少计算强度（避免颜色干扰）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测的一个人脸坐标[x,y,w,h]是一个list，所以list的数量就是人脸数量
faces = face_cascade.detectMultiScale(gray, scaleFactor = 1.15, minNeighbors = 4, minSize = (5, 5))
print("Faces:{0}".format(len(faces)))

# 用矩形圈出人脸的位置（提供左上角和右下角坐标）
for(x, y, w, h) in faces:
	cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)

cv2.imshow("Faces", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

Face : 1

通过其他照片的试验，OpenCV自带的方法和dilb对于标准正脸检测OK的，但是对于侧脸（不同角度）以及低像素基本完全不OK

• 使用dlib中的方法

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

predictor_model = 'shape_predictor_68_face_landmarks/shape_predictor_68_face_landmarks.dat'
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(predictor_model)

dlib库没办法直接pip安装
找python3.8对应的dlib的轮子找了好一会儿，放百度盘了需要自取

许多博客尤其是CSDN，免费开源的放自己文章里收费😅，很不友好，目前还是习惯在这里记一些流水帐笔记😞