PythonOpenCV-人脸检测和识别-人脸检测

1. 基于Haar的人脸检测

　　在 OpenCV源代码中的“datalhaarcascades”文件夹中包含训练好的 Haar 级联分类器文件，示例如下：

1. haarcascade_eye.xml:：人眼检测
2. haarcascade_eye tree_eyeglasses.xml：眼镜检测
3. haarcascade_frontalcatface.xml：猫脸检测
4. haarcascade_frontalface_alt.xml：人脸检测
5. haarcascade_frontalface_default.xml：人脸检测
6. haarcascade_profileface.xml:：侧脸检测

　　cv2.CascadeClassifier()函数用于加载分类器，其基本格式如下：

faceClassifier = cv2.CascadeClassifier(filename)

　　参数说明：

faceClassifier：返回的级联分类器对象

filename：级联分类器的文件名

　　级联分类器对象的 detectMultiScale()方法用于执行检测，其基本格式如下：

objects = faceClassifier.detectMultiScale(image[, scaleFactor[, minNeighbors[, flags[, minSize[, maxSize]]]]])

　　参数说明：

objects：返回的目标矩形，矩形中为人脸

image：输入图像，通常为灰度图像

scaleFactor：图像缩放比例

minNeighbors：构成目标矩形的最少相邻矩形个数

flags：在低版本的 OpenCV 1.x 中使用，高版本中通常省略该参数

minSize：目标矩形的最小尺寸

maxSize：目标矩形的最大尺寸

1.1 使用 Haar 级联分类器检测人脸

　　使用haarcascade_frontalface_default.xml和haarcascade_eye.xml分类器检测图像中的人脸和眼睛

　　代码示例：

import cv2 as cv

img = cv.imread('src.jpg')  # 打开输入图像
cv.imshow('src', img)
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)  # 转换为灰度图像
# 加载人脸检测器
face = cv.CascadeClassifier('haarcascade_frontalface_default.xml')
# 加载眼睛检测器
eye = cv.CascadeClassifier('haarcascade_eye.xml')
faces = face.detectMultiScale(gray)  # 执行人脸检测
for x, y, w, h in faces:
    cv.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)  # 绘制矩形标注人脸
    roi_eye = gray[y:y + h, x:x + w]  # 根据人脸获得眼睛的检测范围
    eyes = eye.detectMultiScale(roi_eye)  # 在人脸范围内检测眼睛
    for (ex, ey, ew, eh) in eyes:  # 标注眼睛
        cv.circle(img[y:y + h, x:x + w], (int(ex + ew / 2), int(ey + eh / 2)), int(max(ew, eh) / 2), (0, 255, 0), 2)
cv.imshow('faces', img)  # 显示检测结果
cv.waitKey(0)

1.2 使用 Haar 级联分类器检测猫脸

　　使用 haarcascade_frontalcatface.xml 分类器检测图像中的猫脸

　　代码示例：

import cv2 as cv
 
img = cv.imread('cat2.jpg')  # 打开输入图像
cv.imshow('src', img)
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)  # 转换为灰度图像
# 加载猫脸检测器
face = cv.CascadeClassifier('haarcascade_frontalcatface.xml')
faces = face.detectMultiScale(gray)  # 执行猫脸检测
for x, y, w, h in faces:
    cv.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)  # 绘制矩形标注猫脸
cv.imshow('faces', img)  # 显示检测结果
cv.waitKey(0)

　　运行结果：

1.3 使用 Haar 级联分类器检测摄像头视频中的人脸

　　代码示例：

import cv2 as cv

capture = cv.VideoCapture(0)  # 创建视频捕捉器对象
if not capture.isOpened:
    print('不能打开摄像头')
    exit(0)  # 不能打开摄像头时结束程序
# 加载人脸检测器
face = cv.CascadeClassifier('haarcascade_frontalface_default.xml')
# 加载眼睛检测器
eye = cv.CascadeClassifier('haarcascade_eye.xml')
while True:
    ret, frame = capture.read()  # 读摄像头的帧
    if frame is None:
        break
    gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)  # 转换为灰度图像
    faces = face.detectMultiScale(gray)  # 执行人脸检测
    for x, y, w, h in faces:
        cv.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)  # 绘制矩形标注人脸
        roi_eye = gray[y:y + h, x:x + w]  # 根据人脸获得眼睛的检测范围
        eyes = eye.detectMultiScale(roi_eye)  # 在人脸范围内检测眼睛
        for (ex, ey, ew, eh) in eyes:  # 标注眼睛
            cv.circle(frame[y:y + h, x:x + w], (int(ex + ew / 2),
                                                 int(ey + eh / 2)), int(max(ew, eh) / 2), (0, 255, 0), 2)
    cv.imshow('faces', frame)  # 显示帧
    key = cv.waitKey(30)
    if key == 27:  # 按Esc键结束程序
        break

　　运行结果：

　　由于本人太丑了，显示不了一点！！！

 

2. 基于深度学习的人脸检测

　　OpenCV 的深度神经网络模块提供了基于深度学习的人脸检测器。DNN 模块中使用了广受欢迎的深度学习框架，包括Caffe、TensorFlow、Torch 和 Darknet 等。

　　OpenCV 提供了两个预训练的人脸检测模型: Caffe 和 TensorFlow 模型Caffe 模型需加载以下两个文件：

• deploy.prototxt： 定义模型结构的配置文件
• res10_300x300_ssd_iter_140000 fp16.cafemodel：包含实际层权重的训练模型文件

　　TensorFlow 模型需加载以下两个文件：

• opencv_face detector.pbtxt: 定义模型结构的配置文件
• opencv_face_detector_uint8.pb: 包含实际层权重的训练模型文件

　　使用预训练的模型执行人脸检测时主要包含下列步骤：

1. 调用 cv2.dnn.readNetFromCaffe)或 cv2.dnn.readNetFromTensorflow0函数加载模型，创建检测器
2. 调用 cv2.dnn.blobFromlmage()函数将待检测图像转换为图像块数据
3. 调用检测器的 setlnput()方法将图像块数据设置为模型的输入数据
4. 调用检测器的 forward()方法执行计算，获得预测结果
5. 将可信度高于指定值的预测结果作为检测结果，在原图像中标注人脸，同时输出可信度作为参考

　　代码示例：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

# dnnnet = cv.dnn.readNetFromCaffe("deploy.prototxt", #加载训练好的模型
#                    "res10_300x300_ssd_iter_140000_fp16.caffemodel")
dnnnet = cv.dnn.readNetFromTensorflow("opencv_face_detector_uint8.pb", "opencv_face_detector.pbtxt")
img = cv.imread("src.jpg")  # 读取图像
cv.imshow('src', img)
h, w = img.shape[:2]  # 获得图像尺寸
# 创建图像的块数据
blobs = cv.dnn.blobFromImage(img, 1.0, (300, 300), [104., 117., 123.], False, False)
dnnnet.setInput(blobs)  # 将块数据设置为输入
detections = dnnnet.forward()  # 执行计算，获得检测结果
faces = 0
for i in range(0, detections.shape[2]):  # 迭代，输出可信度高的人脸检测结果
    confidence = detections[0, 0, i, 2]  # 获得可信度
    if confidence > 0.6:  # 输出可行度高于80%的结果
        faces += 1
        box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])  # 获得人脸在图像中的坐标
        x1, y1, x2, y2 = box.astype("int")
        y = y1 - 10 if y1 - 10 > 10 else y1 + 10  # 计算可信度输出位置
        text = "%.3f" % (confidence * 100) + '%'
        cv.rectangle(img, (x1, y1), (x2, y2), (255, 0, 0), 2)  # 标注人脸范围
        # 输出可信度
        cv.putText(img, text, (x1, y), cv.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv.imshow('faces', img)
cv.waitKey(0)

 

/*-------------------------------------------------------------------------------------------------------

笔者说明：

　　该笔记来源于本人学习Python + OpenCv时的资料，

　　分享出来只是为了供大家学习，并且为了自己以后想要用的时候方便寻找。

时间：2023年9月3日

------------------------------------------------------------------------------------------------------------*/