使用python-cv2實(shí)現(xiàn)Harr+Adaboost人臉識(shí)別的示例
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。
haar特征模板有以下幾種:
以第一個(gè)haar特征模板為例
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
Adaboost分類器
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)練不同的分類器(弱分類器),然后把這些弱分類器集合起來(lái),構(gòu)成一個(gè)更強(qiáng)的最終分類器(強(qiáng)分類器)。
算法流程
該算法其實(shí)是一個(gè)簡(jiǎn)單的弱分類算法提升過(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)弱分類器;
4. 最終經(jīng)過(guò)提升的強(qiáng)分類器。即某個(gè)數(shù)據(jù)被分為哪一類要由各分類器權(quán)值決定。
我們需要從官網(wǎng)下載倆個(gè)Adaboost分類器文件,分別是人臉和眼睛的分類器:
下載地址:https://github.com/opencv/opencv/tree/master/data/haarcascades
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
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!
- python實(shí)現(xiàn)AdaBoost算法的示例
- Python基于OpenCV庫(kù)Adaboost實(shí)現(xiàn)人臉識(shí)別功能詳解
- Python 機(jī)器學(xué)習(xí)工具包SKlearn的安裝與使用
- Python機(jī)器學(xué)習(xí)之邏輯回歸
- python機(jī)器學(xué)習(xí)之線性回歸詳解
- python機(jī)器學(xué)習(xí)包mlxtend的安裝和配置詳解
- Python機(jī)器學(xué)習(xí)算法庫(kù)scikit-learn學(xué)習(xí)之決策樹(shù)實(shí)現(xiàn)方法詳解
- python 機(jī)器學(xué)習(xí)之支持向量機(jī)非線性回歸SVR模型
- Python機(jī)器學(xué)習(xí)之AdaBoost算法
相關(guān)文章
pandas如何獲取某個(gè)數(shù)據(jù)的行號(hào)
這篇文章主要介紹了pandas如何獲取某個(gè)數(shù)據(jù)的行號(hào)問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-02-02利用Python實(shí)現(xiàn)劉謙春晚魔術(shù)
劉謙在2024年春晚上的撕牌魔術(shù)的數(shù)學(xué)原理非常簡(jiǎn)單,可以用Python完美復(fù)現(xiàn),文中通過(guò)代碼示例給大家介紹的非常詳細(xì),感興趣的同學(xué)可以自己動(dòng)手嘗試一下2024-02-02python下os模塊強(qiáng)大的重命名方法renames詳解
這篇文章主要介紹了python下os模塊強(qiáng)大的重命名方法renames詳解的相關(guān)資料,需要的朋友可以參考下2017-03-03python用opencv完成圖像分割并進(jìn)行目標(biāo)物的提取
這篇文章主要介紹了python用opencv完成圖像分割并進(jìn)行目標(biāo)物的提取,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2020-05-05MySQL最常見(jiàn)的操作語(yǔ)句小結(jié)
這篇文章主要介紹了MySQL最常見(jiàn)的操作語(yǔ)句小結(jié),與表和庫(kù)相關(guān)的這些語(yǔ)句是學(xué)習(xí)MySQL中最基礎(chǔ)的知識(shí),需要的朋友可以參考下2015-05-05Python新手入門之常用關(guān)鍵字的簡(jiǎn)單示例詳解
關(guān)鍵字是預(yù)先保留的標(biāo)識(shí)符,每個(gè)關(guān)鍵字都有特殊的含義,下面這篇文章主要給大家介紹了關(guān)于Python新手入門之常用關(guān)鍵字的簡(jiǎn)單示例,文中通過(guò)代碼介紹的非常詳細(xì),需要的朋友可以參考下2024-03-03編寫(xiě)Python爬蟲(chóng)抓取豆瓣電影TOP100及用戶頭像的方法
這篇文章主要介紹了編寫(xiě)Python爬蟲(chóng)抓取豆瓣電影TOP100及用戶頭像的方法,用到了Python的urllib和urllib2模塊,需要的朋友可以參考下2016-01-01