快捷導(dǎo)航

opencv 做人臉識(shí)別 opencv 人臉匹配分析

更新時(shí)間：2012年11月22日 10:36:59 作者：

opencv 人臉識(shí)別通過級(jí)聯(lián)分類器對(duì)特征的分級(jí)篩選來確定是否是人臉，每個(gè)節(jié)點(diǎn)的正確識(shí)別率很高，但正確拒絕率很低，任一節(jié)點(diǎn)判斷沒有人臉特征則結(jié)束運(yùn)算，宣布不是人臉

機(jī)器學(xué)習(xí)
機(jī)器學(xué)習(xí)的目的是把數(shù)據(jù)轉(zhuǎn)換成信息。
機(jī)器學(xué)習(xí)通過從數(shù)據(jù)里提取規(guī)則或模式來把數(shù)據(jù)轉(zhuǎn)成信息。

人臉識(shí)別
人臉識(shí)別通過級(jí)聯(lián)分類器對(duì)特征的分級(jí)篩選來確定是否是人臉。
每個(gè)節(jié)點(diǎn)的正確識(shí)別率很高，但正確拒絕率很低。
任一節(jié)點(diǎn)判斷沒有人臉特征則結(jié)束運(yùn)算，宣布不是人臉。
全部節(jié)點(diǎn)通過，則宣布是人臉。
工業(yè)上，常用人臉識(shí)別技術(shù)來識(shí)別物體。

對(duì)圖片進(jìn)行識(shí)別

復(fù)制代碼代碼如下:

 
#include "opencv2/core/core.hpp" 
#include "opencv2/objdetect/objdetect.hpp" 
#include "opencv2/highgui/highgui.hpp" 
#include "opencv2/imgproc/imgproc.hpp" 

#include <iostream> 
#include <stdio.h> 

using namespace std; 
using namespace cv; 

string face_cascade_name = "haarcascade_frontalface_alt.xml"; 
CascadeClassifier face_cascade; 
string window_name = "人臉識(shí)別"; 

void detectAndDisplay( Mat frame ); 

int main( int argc, char** argv ){ 
Mat image; 
image = imread( argv[1]); 

if( argc != 2 || !image.data ){ 
printf("[error] 沒有圖片\n"); 
return -1; 
} 

if( !face_cascade.load( face_cascade_name ) ){ 
printf("[error] 無法加載級(jí)聯(lián)分類器文件！\n"); 
return -1; 
} 

detectAndDisplay(image); 

waitKey(0); 
} 

void detectAndDisplay( Mat frame ){ 
std::vector<Rect> faces; 
Mat frame_gray; 

cvtColor( frame, frame_gray, CV_BGR2GRAY ); 
equalizeHist( frame_gray, frame_gray ); 

face_cascade.detectMultiScale( frame_gray, faces, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) ); 

for( int i = 0; i < faces.size(); i++ ){ 
Point center( faces[i].x + faces[i].width*0.5, faces[i].y + faces[i].height*0.5 ); 
ellipse( frame, center, Size( faces[i].width*0.5, faces[i].height*0.5), 0, 0, 360, Scalar( 255, 0, 255 ), 4, 8, 0 ); 
} 

imshow( window_name, frame ); 
} 

CascadeClassifier類

class CascadeClassifier

用于檢測(cè)物體的級(jí)聯(lián)分類器類。

CascadeClassifier::CascadeClassifier
從一個(gè)文件讀取分類器。

C++: CascadeClassifier::CascadeClassifier(const string& filename)
參數(shù) filename – 所要讀取分類器文件的文件名

參數(shù)	filename – 所要讀取分類器文件的文件名

CascadeClassifier::empty
檢查分類器是否已經(jīng)載入。

C++: bool CascadeClassifier::empty() const
CascadeClassifier::load
從一個(gè)文件讀取分類器。

C++: bool CascadeClassifier::load(const string& filename)
參數(shù) filename – 所要讀取分類器文件的文件名。文件可以是舊版的HAAR分類器模型也可以是新版的分類器模型。

參數(shù)	filename – 所要讀取分類器文件的文件名。文件可以是舊版的HAAR分類器模型也可以是新版的分類器模型。

CascadeClassifier::read
讀取一個(gè)文件存儲(chǔ)節(jié)點(diǎn)的分類器。

C++: bool CascadeClassifier::read(const FileNode& node)

CascadeClassifier::detectMultiScale
對(duì)不同大小的輸入圖像進(jìn)行物體識(shí)別，并返回一個(gè)識(shí)別到的物體的矩陣列表。

C++: void CascadeClassifier::detectMultiScale(const Mat& image, vector<Rect>& objects, double scaleFactor=1.1, int minNeighbors=3, int flags=0, Size minSize=Size(), Size maxSize=Size())

參數(shù)

參數(shù)	image – 需要檢測(cè)的 CV_8U 輸入矩陣。 objects – 輸出vector載體容器用于保存被識(shí)別的物體矩陣。 scaleFactor – 指定每張圖片的縮小比例的參數(shù)。 minNeighbors – 指定每個(gè)候選矩陣至少包含的鄰近元素個(gè)數(shù)。 flags – `與舊版級(jí)聯(lián)分類器模型函數(shù)cvHaarDetectObjects`的flags相同. 此參數(shù)不被用于新版模型。 minSize – 最小可能的對(duì)象的大小，小于的對(duì)象將被忽略。 maxSize – 最大可能的對(duì)象的大小，大于的對(duì)象將被忽略。

image – 需要檢測(cè)的 CV_8U 輸入矩陣。
objects – 輸出vector載體容器用于保存被識(shí)別的物體矩陣。
scaleFactor – 指定每張圖片的縮小比例的參數(shù)。
minNeighbors – 指定每個(gè)候選矩陣至少包含的鄰近元素個(gè)數(shù)。
flags – 與舊版級(jí)聯(lián)分類器模型函數(shù)cvHaarDetectObjects的flags相同. 此參數(shù)不被用于新版模型。
minSize – 最小可能的對(duì)象的大小，小于的對(duì)象將被忽略。
maxSize – 最大可能的對(duì)象的大小，大于的對(duì)象將被忽略。

CascadeClassifier::setImage
設(shè)置被用于檢測(cè)的圖像。

C++: bool CascadeClassifier::setImage(Ptr<FeatureEvaluator>& feval, const Mat& image)

參數(shù)	feval – 用于特征計(jì)算的特征求值程序的指針。 image – 需要進(jìn)行特征檢測(cè)的 CV_8U 輸入矩陣。

這個(gè)函數(shù)將在每張圖片中被 CascadeClassifier::detectMultiScale() 自動(dòng)調(diào)用。但如果你想在不同位置手動(dòng)使用 CascadeClassifier::runAt()，你需要先調(diào)用該函數(shù)，使得圖像被積分計(jì)算。

CascadeClassifier::runAt
在指定點(diǎn)運(yùn)行檢測(cè)。

C++: int CascadeClassifier::runAt(Ptr<FeatureEvaluator>& feval, Point pt, double& weight)

參數(shù)	feval – 用于特征計(jì)算的特征求值程序。 pt – 指定檢測(cè)窗口左上角的點(diǎn)。窗口的大小和檢測(cè)的圖片大小一致。

參數(shù)

feval – 用于特征計(jì)算的特征求值程序。

pt – 指定檢測(cè)窗口左上角的點(diǎn)。窗口的大小和檢測(cè)的圖片大小一致。

如果級(jí)聯(lián)分類器檢測(cè)到給定的位置中的一個(gè)對(duì)象，該函數(shù)返回1。否則，它會(huì)返回已被否決的候選區(qū)域在哪個(gè)階段的否定的指數(shù)。

使用CascadeClassifier::setImage() 設(shè)置圖像的檢測(cè)工作。

代碼注釋：

復(fù)制代碼代碼如下:

 
//需要載入的級(jí)聯(lián)分類器文件 
string face_cascade_name = "haarcascade_frontalface_alt.xml"; 
//級(jí)聯(lián)分類器類 
CascadeClassifier face_cascade; 

//…… 

//載入級(jí)聯(lián)分類器，并判斷是否載入成功，如果不成功則打印提示 
if( !face_cascade.load( face_cascade_name ) ){ 
printf("[error] 無法加載級(jí)聯(lián)分類器文件！\n"); 
return -1; 
} 

//…… 

//對(duì)圖片frame進(jìn)行識(shí)別檢測(cè) 
face_cascade.detectMultiScale( frame_gray, faces, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) ); 

轉(zhuǎn)換成灰度圖

由于CascadeClassifier類只支持CV_8U矩陣數(shù)據(jù)，所以我們需要將圖片變成灰度圖。

cvtColor API：

將圖片從一個(gè)色彩空間轉(zhuǎn)到另一個(gè)色彩空間。

C++: void cvtColor(InputArray src, OutputArray dst, int code, int dstCn=0 )

參數(shù)	src – 輸入圖像：8位無符號(hào)，16位無符號(hào)（CV_16UC...），或單精度浮點(diǎn)數(shù)據(jù)類型。 dst – 輸出圖像，與輸入圖像相同大小、深度。 code – 顏色空間轉(zhuǎn)換代碼。 dstCn – 目標(biāo)圖像的通道數(shù)，當(dāng)該參數(shù)為0時(shí)，則通道樹由src和code自動(dòng)得出。

該函數(shù)將輸入圖片從一個(gè)色彩空間轉(zhuǎn)到另一個(gè)色彩空間。當(dāng)從RGB顏色空間進(jìn)行變換時(shí)，應(yīng)明確指定的信道的順序（RGB或BGR）。值得注意，在OpenCV的默認(rèn)顏色格式中，通常被稱為作為RGB，但實(shí)際上是BGR（字節(jié)是相反的）。因此，在一個(gè)標(biāo)準(zhǔn)的（24位）的彩色圖像的第一個(gè)字節(jié)是一個(gè)8位的藍(lán)色分量，第二個(gè)字節(jié)將是綠色的，第三個(gè)字節(jié)將是紅色的。而第四，第五，和第六字節(jié)，則是第二像素（藍(lán)，然后綠色，然后紅色），依此類推。

R、G和B 通道通常信道值范圍：

CV_8U：0 — 255
CV_16U：0 — 65535
CV_32F：0 — 1
線性變換的情況下，有沒有范圍是無所謂的。但是，在一個(gè)非線性變換的情況下，輸入的RGB圖像應(yīng)被歸為適當(dāng)?shù)闹捣秶鷥?nèi)，以得到正確的結(jié)果。例如，如果你有一個(gè)32位浮點(diǎn)圖像直接轉(zhuǎn)換成一個(gè)8位的圖像而沒有任何縮放，那么它將有0到255的數(shù)值范圍，而這并不能準(zhǔn)確0..1所有浮點(diǎn)數(shù)的值。所以，你需要之前調(diào)用cvtColor，進(jìn)行圖像縮放。

代碼注釋：

復(fù)制代碼代碼如下:

 
//將frame轉(zhuǎn)換成灰度圖，輸出到frame_gray 
cvtColor( frame, frame_gray, CV_BGR2GRAY ); 

直方圖均衡化

直方圖是圖像中像素強(qiáng)度分布的圖形表達(dá)方式。
它統(tǒng)計(jì)了每一個(gè)強(qiáng)度值所具有的像素個(gè)數(shù)。

http://www.cnblogs.com/http://www.cnblogs.com/../_images/Histogram_Equalization_Theory_0.jpg

直方圖均衡化是通過拉伸像素強(qiáng)度分布范圍來增強(qiáng)圖像對(duì)比度的一種方法。
說得更清楚一些, 以上面的直方圖為例, 你可以看到像素主要集中在中間的一些強(qiáng)度值上. 直方圖均衡化要做的就是拉伸這個(gè)范圍. 見下面左圖: 綠圈圈出了少有像素分布其上的強(qiáng)度值. 對(duì)其應(yīng)用均衡化后, 得到了中間圖所示的直方圖. 均衡化的圖像見下面右圖.

http://www.cnblogs.com/http://www.cnblogs.com/../_images/Histogram_Equalization_Theory_1.jpg

我們利用直方圖均衡化對(duì)圖片增強(qiáng)對(duì)比度，方便級(jí)聯(lián)分類器分析。

equalizeHist API：

對(duì)灰度圖像進(jìn)行直方圖均衡。

C++: void equalizeHist(InputArray src, OutputArray dst)

table4
直方圖均衡函數(shù)使用了下列的算發(fā)：

計(jì)算源文件的直方圖 $H$ 。

調(diào)整直方圖，使得其方格總個(gè)數(shù)為255。

對(duì)直方圖進(jìn)行積分：

$H'_i = \sum _{0 \le j < i} H(j)$

使用 $H'$ 變換圖片，其映射函數(shù)為： $\texttt{dst}(x,y) = H'(\texttt{src}(x,y))$ 。

該算法歸一化亮度并增加了圖像的對(duì)比度。

您可能感興趣的文章: