欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

使用python-cv2實(shí)現(xiàn)Harr+Adaboost人臉識(shí)別的示例

 更新時(shí)間：2020年10月27日 08:36:18   作者：逐夢(mèng)er  
這篇文章主要介紹了使用python-cv2實(shí)現(xiàn)Harr+Adaboost人臉識(shí)別的示例，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

Haar特征

哈爾特征使用檢測(cè)窗口中指定位置的相鄰矩形，計(jì)算每一個(gè)矩形的像素和并取其差值。然后用這些差值來(lái)對(duì)圖像的子區(qū)域進(jìn)行分類(lèi)。

haar特征模板有以下幾種：

在這里插入圖片描述

以第一個(gè)haar特征模板為例

在這里插入圖片描述

計(jì)算方式

1.特征 = 白色 - 黑色(用白色區(qū)域的像素之和減去黑色區(qū)域的象征之和)

2.特征 = 整個(gè)區(qū)域 * 權(quán)重 + 黑色 * 權(quán)重

使用haar模板處理圖像

從圖像的起點(diǎn)開(kāi)始，利用haar模板從左往右遍歷，從上往下遍歷，并設(shè)置步長(zhǎng)，同時(shí)考慮圖像大小和模板大小的信息

假如我們現(xiàn)在有一個(gè) 1080 * 720 大小的圖像，10*10 的haar模板,并且步長(zhǎng)為2，那么我我們所需要的的計(jì)算量為: (1080 / 2 * 720 / 2) * 100 * 模板數(shù)量 * 縮放 約等于50-100億，計(jì)算量太大。

積分圖

使用積分圖可大量減少運(yùn)算時(shí)間，實(shí)際上就是運(yùn)用了前綴和的原理

在這里插入圖片描述

Adaboost分類(lèi)器

Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類(lèi)器(弱分類(lèi)器)，然后把這些弱分類(lèi)器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類(lèi)器（強(qiáng)分類(lèi)器）。

算法流程

該算法其實(shí)是一個(gè)簡(jiǎn)單的弱分類(lèi)算法提升過(guò)程，這個(gè)過(guò)程通過(guò)不斷的訓(xùn)練，可以提高對(duì)數(shù)據(jù)的分類(lèi)能力。整個(gè)過(guò)程如下所示：

1. 先通過(guò)對(duì)N個(gè)訓(xùn)練樣本的學(xué)習(xí)得到第一個(gè)弱分類(lèi)器；
2. 將分錯(cuò)的樣本和其他的新數(shù)據(jù)一起構(gòu)成一個(gè)新的N個(gè)的訓(xùn)練樣本，通過(guò)對(duì)這個(gè)樣本的學(xué)習(xí)得到第二個(gè)弱分類(lèi)器 ；
3. 將1和2都分錯(cuò)了的樣本加上其他的新樣本構(gòu)成另一個(gè)新的N個(gè)的訓(xùn)練樣本，通過(guò)對(duì)這個(gè)樣本的學(xué)習(xí)得到第三個(gè)弱分類(lèi)器；
4. 最終經(jīng)過(guò)提升的強(qiáng)分類(lèi)器。即某個(gè)數(shù)據(jù)被分為哪一類(lèi)要由各分類(lèi)器權(quán)值決定。

我們需要從官網(wǎng)下載倆個(gè)Adaboost分類(lèi)器文件,分別是人臉和眼睛的分類(lèi)器:
下載地址：https://github.com/opencv/opencv/tree/master/data/haarcascades

在這里插入圖片描述

在這里插入圖片描述

代碼實(shí)現(xiàn)

實(shí)現(xiàn)人臉識(shí)別的基本步驟：

1.加載文件和圖片
2.進(jìn)行灰度處理
3.得到haar特征
4.檢測(cè)人臉
5.進(jìn)行標(biāo)記

我們使用cv2.CascadeClassifier()來(lái)加載我們下載好的分類(lèi)器。

然后我們使用detectMultiScale()方法來(lái)得到識(shí)別結(jié)果

import cv2
import numpy as np
import matplotlib.pyplot as plt
# 1.加載文件和圖片 2.進(jìn)行灰度處理 3.得到haar特征 4.檢測(cè)人臉 5.標(biāo)記

face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml')
img = cv2.imread('img.png')
cv2.imshow('img', img)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 1.灰色圖像 2.縮放系數(shù) 3.目標(biāo)大小
faces = face_xml.detectMultiScale(gray, 1.3, 5)
print('face = ',len(faces))
print(faces)
#繪制人臉，為人臉畫(huà)方框
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]
  eyes = eye_xml.detectMultiScale(roi_face)
  print('eyes = ',len(eyes))
  for (ex,ey,ew,eh) in eyes:
    cv2.rectangle(roi_color, (ex,ey),(ex + ew, ey + eh), (0,255,0), 2)
cv2.imshow('dat', img)
cv2.waitKey(0)

face = 1
[[133 82 94 94]]
eyes = 2

在這里插入圖片描述

在這里插入圖片描述

到此這篇關(guān)于使用python-cv2實(shí)現(xiàn)Harr+Adaboost人臉識(shí)別的示例的文章就介紹到這了,更多相關(guān)python cv2 人臉識(shí)別內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

最新評(píng)論