用 OpenCV 检测猫脸

Python中的OpenCV猫脸检测代码

使用 OpenCV 的预训练级联分类器可以轻松检测照片或视频中的猫脸。完成所有工作的代码：

import cv2

cascade ＝ cv2．CascadeClassifier（＇haarcascade＿frontalcatface．xml＇）

cap ＝ cv2．VideoCapture（0）

while True：

ret， img ＝ cap．read（）

img＿gray ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）

faces ＝ cascade．detectMultiScale（img＿gray， 1．5， 5）

for （x，y，w，h） in faces：

cv2．rectangle（img，（x，y），（x＋w，y＋h），（255，255，0），2）

roi＿gray ＝ img＿gray［y：y＋h， x：x＋w］

roi＿color ＝ img［y：y＋h， x：x＋w］

cv2．imshow（＇img＇，img）

k ＝ cv2．waitKey（30） ＆ 0xff

if k ＝＝ 27：

break

cap．release（）

cv2．destroyAllWindows（）

让我们逐行检查：

cv2 库被导入。

如果你还没有安装cv2：

＃install cv2

pip install opencv－python

＃1

import cv2

· 加载级联分类器 XML 文件。

＃3

cascade ＝ cv2．CascadeClassifier（＇haarcascade＿frontalcatface．xml＇）

级联分类器

级联是一种集成学习方法，是一种使用多个分类器来提高准确率的方法。第一个级联分类器是 Viola 和 Jones （2001） 的脸部检测器。这个分类器的要求是快速，以便在低功耗 CPU 上实现，例如相机和电话。

级联是一种训练分类器的方法（分类器是一种机器学习算法，可用于标记事物），以便它们在链中协同工作。链中的第一个分类器训练在几百张你试图检测的事物的“正面”图像上，以及一堆不包含该事物的“负面”图像上。

然后，可以将该分类器应用于图像的一个区域，并尝试检测该对象。如果它没有找到它，它将移动到下一个区域，依此类推，直到它找到了东西或搜索了整个图像。这个过程最常用于面部检测和识别。

该算法通过扫描图像并寻找与训练数据中的特征相匹配的 Haar 特征来工作。如果找到匹配项，则将该区域标记为脸。如果未找到匹配项，则将该区域标记为不是脸。

在整个图像中进行这种搜索是一项非常昂贵的业务。想想看，即使是 24x24 的图像也有 160000 个特征。因此，它使用积分图像，这是克服这一问题的有效方法。

积分图像允许快速计算给定矩形下的像素总和，用于计算各种特征。这种方法比传统方法快得多，因此非常适合用于大图像。

位置1的值是A中像素的总和。位置2的值是A和B的总和。位置3：A＋C。位置 4 A＋B＋C＋D。D 的值为 （4＋1） － （2＋3）。

在我们得到这些特征（会有很多）之后，我们需要对它们进行某种过滤，我们需要找出那些能够告诉我们一些东西的特征。Adaboost 是一种机器学习算法，有助于从大量特征中选择最佳特征。它通过关注与手头任务最相关的特征来做到这一点。

我们将每个特征应用于训练图像并获得正负示例中提供的最佳阈值。选择在两个方向上具有最低错误率的特征。Adaboost 的基础分类器很弱。但是当同时使用许多基础分类器时，Adaboost 可以达到一个强大的水平。通过将特征从 160000 个减少到 6000 个特征，实现了超级增益。

通常，包含脸部的区域与整个图像区域相比非常小。因此，到处寻找脸部仍然是低效的。相反，在你的脸更有可能出现在照片中间的区域。

Cascade of Classifiers 是一个引入的概念，以便更有效地将所有特征应用于窗口。这些特征被分组到分类器的不同阶段并被一一应用。如果窗口在第一阶段失败，则不考虑剩余的特征。如果通过，则应用第二阶段的特征并继续该过程。通过所有阶段的窗口就是脸部区域。

· 为了访问和读取从网络摄像头接收到的数据，我们创建了一个视频捕获对象并传递我们的设备编号。

VideoCapture 类用于捕获视频。你可以传递视频文件的路径。

＃5

cap ＝ cv2．VideoCapture（0）

· 启动循环以确保视频数据的连续流。

＃7

while True：

· VideoCapture 对象（cap）读取并解码，返回下一帧视频。＃8

ret， img ＝ cap．read（）

＃ret is True if there is a video data

＃img is the image

· 我们将接收到的图像转换为灰度以最小化计算成本。

＃9

img＿gray ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）

· 现在，是时候在提供的图像帧中检测脸部了。我们将使用我们的级联方法。

detectMultiScale方法检测给定图像中各种大小的对象。它接受灰度图像、scaleFactor、minNeighbors、minSize、maxSize。

scaleFactor用于创建比例金字塔，它是一系列不同大小的图像，用于检测图像中不同大小的脸部。较小的比例因子会导致更彻底的脸部搜索，但速度较慢，而较大的比例因子会导致搜索速度更快，但可能会遗漏一些脸部。

minNeighbors 参数指定每个候选矩形应该保留多少个邻居。该参数会影响检测到的脸部质量。数值越高，检测次数越少，质量越高。3～6是很好的参考取值。

minSize确定被检测对象的阈值大小。对于maxSize，则相反。

＃10

faces ＝ cascade．detectMultiScale（img＿gray， 1．5， 5）

· 在图像中的面部周围绘制矩形。

＃12－13－14－15

for （x，y，w，h） in faces：

cv2．rectangle（img，（x，y），（x＋w，y＋h），（255，255，0），2）

roi＿gray ＝ img＿gray［y：y＋h， x：x＋w］

roi＿color ＝ img［y：y＋h， x：x＋w］

收听事件以结束程序。（在我们的例子中按下退出键）。

＃19－20－21

k ＝ cv2．waitKey（30） ＆ 0xff

if k ＝＝ 27：

break

结果：

参考

原文标题:用 OpenCV 检测猫脸