6-9 Haar+adaboost人脸识别

我们重点分析了Haar特征的概念以及如何计算Haar特征，并介绍了Haar+Adaboost分类器它们的组合以及Adaboost分类器如何使用和训练。这节课我们将通过代码来实现一下Haar+Adaboost分类器实现的人脸识别。

计算jpg图片的haar特征，不过这一步opencv已经帮我们做了，所以我们不需要。我们只需要对这个图片进行一个灰度处理，因为所有的haar特征必须要是基于灰度图片来进行计算的。第四步，我们进行检测。所以我们要检测出来当前的haar特征的人脸以及人脸上的眼睛。总共有两个XML文件，其中一个XML文件描述的是人脸，另外一个XML文件描述的是眼睛。第五步，我们需要对检测出来的结果进行遍历，并且绘制一下我们检测出来的方框。比如说我把眼睛绘制出来，并且把脸同样使用一个方框给大家标注出来。

第一步引入XML文件。D:\opencv-3.4.1\opencv-3.4.1\data\haarcascades\haarcascade_eye.xml.眼睛识别的训练好的Adaboost分类器。D:\opencv-3.4.1\opencv-3.4.1\data\haarcascades\haarcascade_frontalface_default.xml.已经训练好的人脸识别的分类器。同时加载进来我们眼睛识别的XML文件。

第二步load当前的jpg.

第三步计算haar特征。因为这个计算的过程我们已经交给了opencv，所以这一步我们就可以跳过。我们只需要把它转化成一个灰度图像。灰度转化我们已经接触过了。我们需要把BGR图片转化成灰度图片。

第四步detect检测。cv2中有一个方法可以完成人脸识别的检测。这个方法的作用它主要是为了检测出图片中的人脸。我们在讲解haar特征的时候知道，图片的haar特征除了模板从上到下，从左到右地滑动之外，每一个模板还要进行一个比例缩放。所以这里有一个比例缩放的概念。第三个参数是我们的目标大小。比如说我们的人脸最小不能小于5个像素。所以这里还有一个5这个概念。我们想获取一下当前总共有多少张人脸，len(faces)检测一下当前人脸的个数。

第五步绘制一下当前每一个人脸，给每一个人脸画一个方框。既然是要画方框，那么我们就需要知道这个方框的xy宽高信息。我们使用for循环的形式来进行遍历。

这个demo不光是想实现人脸识别，同样还想实现人眼睛识别。

 

# 1 load xml 2 load jpg 3 haar gray 4 detect 5 draw
import cv2
import numpy as np
# load xml 1 file name
face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml')
# load jpg
img = cv2.imread('face.jpg')
cv2.imshow('src',img)
# haar gray
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# detect faces 1 data 2 scale 3 5 
faces = face_xml.detectMultiScale(gray,1.3,5)
print('face=',len(faces))
# draw
for (x,y,w,h) in faces:
    cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
    roi_face = gray[y:y+h,x:x+w]
    roi_color = img[y:y+h,x:x+w]
    # 1 gray
    eyes = eye_xml.detectMultiScale(roi_face)
    print('eye=',len(eyes))
    for (e_x,e_y,e_w,e_h) in eyes:
        cv2.rectangle(roi_color,(e_x,e_y),(e_x+e_w,e_y+e_h),(0,255,0),2)
cv2.imshow('dst',img)
cv2.waitKey(0)

# 1 load xml 2 load jpg 3 haar gray 4 detect 5 draw
import cv2
import numpy as np
# load xml 1 file name
face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml')
# load jpg
img = cv2.imread('face1.jpg')
cv2.imshow('src',img)
# haar gray
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# detect faces 1 data 2 scale 3 5 
faces = face_xml.detectMultiScale(gray,1.3,5)
print('face=',len(faces))
# draw
for (x,y,w,h) in faces:
    cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
    roi_face = gray[y:y+h,x:x+w]
    roi_color = img[y:y+h,x:x+w]
    # 1 gray
    eyes = eye_xml.detectMultiScale(roi_face)
    print('eye=',len(eyes))
    for (e_x,e_y,e_w,e_h) in eyes:
        cv2.rectangle(roi_color,(e_x,e_y),(e_x+e_w,e_y+e_h),(0,255,0),2)
cv2.imshow('dst',img)
cv2.waitKey(0)