【OpenCV】 人脸识别

目录

一:前言

二:人脸识别案例 实现步骤及完整代码

步骤1 灰度化处理

步骤2 将灰度图再次进行 行列压缩

步骤3 直方图均值化

步骤4 使用模型 对每一个像素点遍历 图像甄别

人脸识别案例 完整代码如下:

结果测试:可对人脸框选识别

三:车辆识别案例级联分类器 具体实现


一:前言

本次人脸识别技术使用到的是级联分类器

对于级联分类器,如果想要自己训练模型可以参考这篇文章

【OpenCV】 级联分类器训练模型

【友情提示:训练对电脑的配置要求比较高,另外还需要有足够庞大的样本数据,因此,如果是研究生在导师实验室用着3090的,可以自己训练,但也要投入足够的时间进行数据采集。不过,这边为了方便大家学习,博主会在资源中分享 人脸识别训练模型 车辆识别训练模型 ,在读完这篇文章后,感兴趣的,想要学习的,欢迎自取】

二:人脸识别案例 实现步骤及完整代码

步骤1 灰度化处理

    //灰度化处理 节省内存    Mat gray;    cvtColor(frame,gray,CV_RGB2GRAY);

步骤2 将灰度图再次进行 行列压缩

    //级联分类器比帧差法还更慢,因此,需要再将灰度图大小压缩一半左右 行列压缩    Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);    //按存储大小计算  压缩方式采用线性压缩    resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);

步骤3 直方图均值化

    //直方图均值化 让灰度图经过直方图函数处理 黑白分明    equalizeHist(smalling,smalling);    //imshow("smalling",smalling);

步骤4 使用模型 对每一个像素点遍历 图像甄别

    //调用级联分类器进行模型匹配并进行框选识别 使用模型去进行每一个像素点的遍历    vectorfaces;    //使用CV_HAAR_SCALE_IMAGE算法 图像甄别    cascade.detectMultiScale(smalling,faces,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));    //绘制矩形    vector::const_iterator iter;    //使用到容器迭代器进行遍历    for(iter=faces.begin();iter!=faces.end();iter++)    {        rectangle(frame,                  cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),//左上                  cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),//右下                  Scalar(0,255,0),2,8//颜色 像素位                    );    }    imshow("frame",frame);

人脸识别案例 完整代码如下:

#include #include using namespace cv;using namespace std;//人脸识别void datectFace(Mat &frame,CascadeClassifier cascade,double scale){    //灰度化处理 节省内存    Mat gray;    cvtColor(frame,gray,CV_RGB2GRAY);    //级联分类器比帧差法还更慢,因此,需要再将灰度图大小压缩一半左右 行列压缩    Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);    //按存储大小计算  压缩方式采用线性压缩    resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);    //直方图均值化 让灰度图经过直方图函数处理 黑白分明    equalizeHist(smalling,smalling);    //imshow("smalling",smalling);    //调用级联分类器进行模型匹配并进行框选识别 使用模型去进行每一个像素点的遍历    vectorfaces;    //使用CV_HAAR_SCALE_IMAGE算法 图像甄别    cascade.detectMultiScale(smalling,faces,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));    //绘制矩形    vector::const_iterator iter;    //使用到容器迭代器进行遍历    for(iter=faces.begin();iter!=faces.end();iter++)    {        rectangle(frame,                  cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),//左上                  cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),//右下                  Scalar(0,255,0),2,8//颜色 像素位                    );    }    imshow("frame",frame);}int main(int argc, char *argv[]){    //级联分类器对象    CascadeClassifier cascade;    //读取级联分类器    cascade.load("D:/00000cars-face/face.xml");    Mat frame;    //视频路径的获取    VideoCapture cap(0);    while (cap.read(frame))    {        //将读到的帧进行显示        imshow("frame",frame);        //检测识别 图像 级联分类器 比例        datectFace(frame,cascade,2);        waitKey(3);    }    return 0;}

结果测试:可对人脸框选识别

三:车辆识别案例级联分类器 具体实现

如果对于上述的人脸识别案例 理解透彻 那么车辆识别也是一样的实现方法 只不过就是换了一个级联分类器 图像数据读取 罢了。

这边就直接给出 车辆识别案例 完整代码

#include #include using namespace cv;using namespace std;//车辆识别案例void datectCarDaw(Mat &frame,CascadeClassifier cascade,double scale){    //灰度化处理 节省内存    Mat gray;    cvtColor(frame,gray,CV_RGB2GRAY);    //级联分类器比帧差法还更慢,因此,需要再将灰度图大小压缩一半左右 行列压缩    Mat smalling(cvRound(frame.rows/scale),cvRound(frame.cols/scale),CV_8UC1);    //按存储大小计算  压缩方式采用线性压缩    resize(gray,smalling,smalling.size(),0,0,INTER_LINEAR);    //直方图均值化 让灰度图经过直方图函数处理 黑白分明    equalizeHist(smalling,smalling);    //imshow("smalling",smalling);    //调用级联分类器进行模型匹配并进行框选识别 使用模型去进行每一个像素点的遍历    vectorcars;    //使用CV_HAAR_SCALE_IMAGE算法 图像甄别    cascade.detectMultiScale(smalling,cars,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30));    //绘制矩形    vector::const_iterator iter;    //使用到容器迭代器进行遍历    for(iter=cars.begin();iter!=cars.end();iter++)    {        rectangle(frame,                  cvPoint(cvRound(iter->x*scale),cvRound(iter->y*scale)),//左上                  cvPoint(cvRound((iter->x+iter->width)*scale),cvRound((iter->y+iter->height)*scale)),//右下                  Scalar(0,255,0),2,8//颜色 像素位                    );    }    imshow("frame",frame);}int main(int argc, char *argv[]){    //级联分类器对象    CascadeClassifier cascade;    //读取级联分类器    cascade.load("D:/00000cars-face/cars.xml");    Mat frame;    //视频路径的获取    VideoCapture cap("D:/00000000000003jieduanshipincailliao/carMove.mp4");    while (cap.read(frame))    {        //将读到的帧进行显示        imshow("frame",frame);        //检测识别 图像 级联分类器 比例        datectCarDaw(frame,cascade,2);        waitKey(3);    }    return 0;}

结果测试:

可以看出,图中汽车可以被识别框选,电动车不会被识别框选。

相比博主在上周分享的 帧差法 车辆识别 来看,本次车辆识别的准确度明显提高,因此,这种方法非常值得学习!

想了解 帧差法 车辆识别 可以阅读下面这篇文章

车辆识别 帧差法 具体步骤 手把手教学

以上,就是博主的全部内容啦!欢迎一起交流学习!