Python中的OpenCV貓臉檢測代碼

使用 OpenCV 的預訓練級聯分類器可以輕松檢測照片或視頻中的貓臉。完成所有工作的代碼：

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（）

讓我們逐行檢查：

cv2 庫被導入。

如果你還沒有安裝cv2：

＃install cv2

pip install opencv－python

＃1

import cv2

· 加載級聯分類器 XML 文件。

＃3

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

級聯分類器

級聯是一種集成學習方法，是一種使用多個分類器來提高準確率的方法。第一個級聯分類器是 Viola 和 Jones （2001） 的臉部檢測器。這個分類器的要求是快速，以便在低功耗 CPU 上實現，例如相機和電話。

級聯是一種訓練分類器的方法（分類器是一種機器學習算法，可用于標記事物），以便它們在鏈中協同工作。鏈中的第一個分類器訓練在幾百張你試圖檢測的事物的“正面”圖像上，以及一堆不包含該事物的“負面”圖像上。

然后，可以將該分類器應用于圖像的一個區域，并嘗試檢測該對象。如果它沒有找到它，它將移動到下一個區域，依此類推，直到它找到了東西或搜索了整個圖像。這個過程最常用于面部檢測和識別。

該算法通過掃描圖像并尋找與訓練數據中的特征相匹配的 Haar 特征來工作。如果找到匹配項，則將該區域標記為臉。如果未找到匹配項，則將該區域標記為不是臉。

在整個圖像中進行這種搜索是一項非常昂貴的業務。想想看，即使是 24x24 的圖像也有 160000 個特征。因此，它使用積分圖像，這是克服這一問題的有效方法。

積分圖像允許快速計算給定矩形下的像素總和，用于計算各種特征。這種方法比傳統方法快得多，因此非常適合用于大圖像。

位置1的值是A中像素的總和。位置2的值是A和B的總和。位置3：A＋C。位置 4 A＋B＋C＋D。D 的值為 （4＋1） － （2＋3）。

在我們得到這些特征（會有很多）之后，我們需要對它們進行某種過濾，我們需要找出那些能夠告訴我們一些東西的特征。Adaboost 是一種機器學習算法，有助于從大量特征中選擇最佳特征。它通過關注與手頭任務最相關的特征來做到這一點。

我們將每個特征應用于訓練圖像并獲得正負示例中提供的最佳閾值。選擇在兩個方向上具有最低錯誤率的特征。Adaboost 的基礎分類器很弱。但是當同時使用許多基礎分類器時，Adaboost 可以達到一個強大的水平。通過將特征從 160000 個減少到 6000 個特征，實現了超級增益。

通常，包含臉部的區域與整個圖像區域相比非常小。因此，到處尋找臉部仍然是低效的。相反，在你的臉更有可能出現在照片中間的區域。

Cascade of Classifiers 是一個引入的概念，以便更有效地將所有特征應用于窗口。這些特征被分組到分類器的不同階段并被一一應用。如果窗口在第一階段失敗，則不考慮剩余的特征。如果通過，則應用第二階段的特征并繼續該過程。通過所有階段的窗口就是臉部區域。

· 為了訪問和讀取從網絡攝像頭接收到的數據，我們創建了一個視頻捕獲對象并傳遞我們的設備編號。

VideoCapture 類用于捕獲視頻。你可以傳遞視頻文件的路徑。

＃5

cap ＝ cv2．VideoCapture（0）

· 啟動循環以確保視頻數據的連續流。

＃7

while True：

· VideoCapture 對象（cap）讀取并解碼，返回下一幀視頻。＃8

ret， img ＝ cap．read（）

＃ret is True if there is a video data

＃img is the image

· 我們將接收到的圖像轉換為灰度以最小化計算成本。

＃9

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

· 現在，是時候在提供的圖像幀中檢測臉部了。我們將使用我們的級聯方法。

detectMultiScale方法檢測給定圖像中各種大小的對象。它接受灰度圖像、scaleFactor、minNeighbors、minSize、maxSize。

scaleFactor用于創建比例金字塔，它是一系列不同大小的圖像，用于檢測圖像中不同大小的臉部。較小的比例因子會導致更徹底的臉部搜索，但速度較慢，而較大的比例因子會導致搜索速度更快，但可能會遺漏一些臉部。

minNeighbors 參數指定每個候選矩形應該保留多少個鄰居。該參數會影響檢測到的臉部質量。數值越高，檢測次數越少，質量越高。3～6是很好的參考取值。

minSize確定被檢測對象的閾值大小。對于maxSize，則相反。

＃10

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

· 在圖像中的面部周圍繪制矩形。

＃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］

收聽事件以結束程序。（在我們的例子中按下退出鍵）。

＃19－20－21

k ＝ cv2．waitKey（30） ＆ 0xff

if k ＝＝ 27：

  break

結果：

參考

       原文標題 : 用 OpenCV 檢測貓臉