介紹

在本文中，我們將討論在 OpenCV python 中使用 Haar Cascade（級聯）實現人臉檢測器。

識別圖像中的給定對象稱為對象檢測。可以使用多種技術來完成此任務，但在本文中，我們將使用帶有預訓練 XML 文件的 haar 級聯。這是執行對象檢測的最簡單方法。

Haar 級聯已用于低邊緣設備上的對象檢測，它是 OpenCV 中最流行的對象檢測算法之一。

Haar 級聯計算量不大；因此它適用于計算能力較小的小型設備。

Haar 級聯

什么是 Haar 級聯，它是如何工作的？

Haar 級聯 是一種基于特征的對象檢測算法，用于從圖像中檢測對象。Cascade 函數在大量正負圖像上進行訓練以進行檢測。

該算法不需要大量計算并且可以實時運行。我們可以為動物、汽車、自行車等自定義對象訓練自己的級聯函數。

Haar 級聯 不能用于人臉識別，因為它只能識別匹配的形狀和大小。

Haar 級聯使用 Cascade 函數和 Cascade 窗口。它嘗試計算每個窗口的特征并進行正負分類。如果窗口可以是對象的一部分，則為正，否則為負。

Haar 級聯可以理解為二進制分類器。它為那些可以成為我們對象一部分的級聯窗口指定正值，為那些不能成為我們對象的一部分的窗口指定負值。

· Haar 級聯可以實時工作。

· 與現代對象檢測算法相比，Haar 級聯并不準確。

· 它檢測到許多誤報。這可以在一定程度上進行調整，但不能完全刪除。

· 實現起來非常簡單。

· Haar 級聯最大的缺點是它的誤報檢測。

預訓練的 Haar 級聯

有許多預訓練的 haar 級聯文件使實施變得超級容易。我們也可以訓練自己的 haar 級聯，但這需要大數據進行訓練。

OpenCV 庫在 GitHub 上管理所有流行的 haar 級聯預訓練文件的存儲庫

這些文件可用于各種對象檢測任務，例如：

· 人臉檢測

· 眼睛檢測

· 車輛檢測

· 鼻子／嘴巴檢測

· 身體檢測

· 車牌檢測

Haar 級聯將其特征存儲在一個 XML 文件中；這些文件可以直接加載到 OpenCV 中，使用 Haar 級聯進行對象檢測。

在 OpenCV 中實現 Haar 級聯

如果你正在使用 OpenCV 提供的存儲庫中可用的任何預訓練對象檢測，則只需下載預訓練的 XML 文件。

在 Python 中安裝 OpenCV

可以使用 python 中的 pip 包管理器安裝 OpenCV。

！pip install opencv－python

＃－－－OR －－－

！pip install opencv－contrib－python

在 OpenCV 中加載 Haar 級聯

我們可以使用函數cv2．CascadeClassifier加載 haar－cascade XML 文件。

face＿detector＝cv2．CascadeClassifier（‘haarcascade＿frontalface＿default．xml’）

eye＿dectector ＝ cv2．CascadeClassifier（‘haarcascade＿eye．xml’）

一旦加載了 XML 文件，我們就可以調用檢測器函數。

results ＝ face＿detector．detectMultiScale（gray＿img， scaleFactor＝1．15，minNeighbors＝5，minSize＝（34， 35）， flags＝cv2．CASCADE＿SCALE＿IMAGE）

＃ import the necessary packages

import cv2

face＿detector＝cv2．CascadeClassifier（＇haarcascade＿frontalface＿default．xml＇）

eye＿dectector ＝ cv2．CascadeClassifier（＇haarcascade＿eye．xml＇）

image ＝ cv2．imread（＇tomato．jpg＇）

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

results ＝ face＿detector．detectMultiScale（gray＿img， scaleFactor＝1．15，minNeighbors＝5，minSize＝（34， 35）， flags＝cv2．CASCADE＿SCALE＿IMAGE）

print（results）

results是檢測到的對象周圍的邊界框坐標 （x，y，w，h） 的列表。

detectMultiScale中的參數：

· scaleFactor：這表示對象的大小與原始圖像相比減小了多少。

· minNeighbors：此參數告訴在單個邊界框中應該有多少個鄰居。

· minSize?：這表示我們圖像中對象的最小可能大小。如果我們的對象小于 minSize ，它將被忽略。

注意：對于對象檢測，我們必須使用gray＿image， minNeighbors，scaleFactor等參數。

人臉檢測

讓我們以第一個使用預訓練 haar 級聯的對象檢測示例為例，我們將使用 Python 從圖片中檢測人臉。

import numpy as np

import cv2

＃－－－loading the Haar 級聯 detector using CascadeClassifier－－－face＿detector＝cv2．CascadeClassifier（＇haarcascade＿frontalface＿default．xml＇）

＃－－－Loading the image from local －－－－－

img ＝ cv2．imread（＇team＿india．jpg＇）

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

results ＝ face＿detector．detectMultiScale（gray， 1．3， 5）

for （x，y，w，h） in results：

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

cv2．imshow（＇img＇，img）

cv2．waitKey（0）

cv2．destroyAllWindows（）

· results它包含圖片中邊界框的坐標。

· detectMultiScale此方法僅適用于灰度圖片。

· cv2．rectangle允許我們在傳遞坐標后繪制矩形。

· scaleFactor ＝ 1．3FineTuning 參數，取值范圍從 1 到 2。

分級檢測

Haarcascade 支持分級檢測，這意味著 Haar 級聯能夠以分級方式檢測單個幀內的多個對象。

假設我們必須檢測人類的面部和眼睛。要繼續執行任務，我們需要執行以下步驟。

· 檢測人臉

· 對于每張臉，裁剪人臉并將其轉發以進行眼睛檢測

· 在找到眼睛的坐標 （ ex，ey，ew，eh） 后，在原始圖片中的眼睛周圍繪制一個邊界框。

· 在原始圖片上使用坐標（x，y，w，h）在面部周圍繪制一個邊界框。

import numpy as np

import cv2

face＿detector1＝cv2．CascadeClassifier（＇haarcascade＿frontalface＿default．xml＇）

eye＿detector1 ＝ cv2．CascadeClassifier（＇haarcascade＿eye．xml＇）

img ＝ cv2．imread（＇uman．jpg＇）

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

faces＿result ＝ face＿detector．detectMultiScale（gray， 1．3， 5）

for （x，y，w，h） in faces＿result：

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

roi＿gray ＝ gray［y：y＋h， x：x＋w］

roi＿color ＝ img［y：y＋h， x：x＋w］

eyes ＝ eye＿detector．detectMultiScale（roi＿gray）

for （ex，ey，ew，eh） in eyes：

cv2．rectangle（roi＿color，（ex，ey），（ex＋ew，ey＋eh），（0，255，0），2）

cv2．imshow（＇img＇，img）

cv2．waitKey（0）

cv2．destroyAllWindows（）

實時實現人臉檢測

我們可以在 OpenCV 視頻流中使用 Haar 級聯進行對象檢測，只需要在 OpenCV 中讀取視頻或攝像頭，其余的都是一樣的。

視頻源是一系列幀，因此代碼與單個幀相同。由于其輕計算要求，Haar 級聯每秒運行良好。

我們將讀取 OpenCV 視頻攝像頭輸入以實時拍攝圖像。

import cv2

face＿detector1 ＝ cv2．CascadeClassifier（＇haarcascade＿frontalface＿default．xml＇）

eye＿dectector1 ＝ cv2．CascadeClassifier（＇haarcascade＿eye．xml＇）

＃ reading the input image now

cap ＝ cv2．VideoCapture（0）

while cap．isOpened（）：

   ＿， frame ＝ cap．read（）

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

   faces ＝ face＿detector1．detectMultiScale（gray，1．1， 4 ）

   for （x，y， w， h） in faces：

   cv2．rectangle（frame， pt1 ＝ （x，y），pt2 ＝ （x＋w， y＋h）， color ＝ （255，0，0），thickness ＝  3）

   roi＿gray ＝ gray［y：y＋h，x：x＋w］

   roi＿color ＝ frame［y：y＋h， x：x＋w］

   eyes ＝ eye＿dectector1．detectMultiScale（roi＿gray）

   for （ex，ey， ew， eh） in eyes：

       cv2．rectangle（roi＿color， （ex，ey）， （ex＋ew， ey＋eh）， （0，255，0）， 5）

   cv2．imshow（＂window＂， frame）

   if cv2．waitKey（1） ＆ 0xFF ＝＝ ord（＇q＇）：

      break

frame．release（）

眼睛和面部的邊界框將是實時的，并且每幀都會發生變化。

Haar 級聯人臉檢測的局限性

Haar 級聯對于人臉、汽車等一些對象仍然很受歡迎，這些對象很容易區分。

Haar 級聯不能用于深度目標檢測，如谷物類型等。

Haar 級聯算法有一些限制：

· 與現代對象檢測器相比，精度較低。

· 高假陽性檢測。

· 需要手動調整參數。

· 為自定義對象訓練 haar 級聯并不容易。

結論

在本文中，我們討論了 haar 級聯的工作原理以及如何在 python 中使用 OpenCV實現 haar 級聯以進行對象檢測。我們使用預訓練的 haar 級聯文件進行人臉檢測和眼睛檢測，然后我們實時執行相同的操作。

我們還談到了 haar 級聯算法的局限性，為什么它仍然被廣泛使用，為什么它這么快。

· 可以使用手動參數調整來修復誤報率。

· YOLO、SSD 和其他深度學習對象檢測算法保證了更高的準確性。

· 訓練自定義 haar 級聯既耗時又低效。

       原文標題 : 在 python 中使用 Haar-Cascade 進行人臉檢測