OpenCV利用Haar Cascades进行人脸检测

目标

在这届会议上，

• 咱们将使用基于Haar特征的级联分类器来了解人脸检测的基础知识
• 咱们将延长相同的眼睛检测等。

基础

使用基于Haar特征的级联分类器的对象检测是Paul Viola和Michael Jones在2001年发表的文章“使用简单特征的加强级联的快速对象检测”中提出的一种有效的对象检测方法。它是基于机器学习的方法，其中a级联功能是从许多正面和负面图像进行训练。而后用它来检测其余图像中的对象。

在这里，咱们将使用人脸检测。最初，该算法须要大量正面图像（人脸图像）和负面图像（无人脸图像）来训练分类器。而后咱们须要从中提取功能。为此，使用下图中显示的haar特征。它们就像咱们的卷积核。每一个特征是经过从黑色矩形下的像素之和中减去白色矩形下的像素总和而得到的单个值。

如今，每一个内核的全部可能的大小和位置都用来计算大量的功能。（想象一下它须要多少计算？即便是一个24x24的窗口也会产生超过160000个特性）。对于每一个特征计算，咱们须要找到白色和黑色矩形下的像素总和。为了解决这个问题，他们介绍了积分图像。它简化了像素总和的计算，像素数量有多大，涉及到只涉及四个像素的操做。很好，不是吗？它使事情超快。

但在咱们计算的全部这些特征中，大多数都是可有可无的。例如，请考虑下面的图片。顶行显示两个很好的功能。所选的第一个特征彷佛集中在眼睛区域比鼻子和脸颊区域更暗的属性上。所选的第二个特征依赖于眼睛比鼻梁更暗的特性。但应用在脸颊或任何其余地方的窗户是可有可无的。那么咱们如何从16万多个功能中选择最佳功能呢？它由Adaboost实现。

为此，咱们在全部训练图像上应用每一个特征。对于每一个特征，它找到最佳的阈值，将脸部分为正面和负面。但显然，会出现错误或错误分类。咱们选择错误率最小的特征，这意味着它们是对脸部和非脸部图像进行最佳分类的特征。（这个过程并不像这样简单，每一个图像在开始时被赋予相同的权重，每次分类以后，错误分类的图像的权重会增长，而后再次进行相同的处理，计算出新的错误率，并计算新的权重。过程继续进行直到达到所需的准确度或错误率或找到所需的特征数目）。

最后的分类器是这些弱分类器的加权和。它被称为弱，由于它自己不能对图像进行分类，但与其余人造成强大的分类器。该报告称，即便200个功能也能提供95％的准确度检测。他们的最终设置有大约6000个功能。（想象一下从160000+个功能减小到6000个功能，这是一个很大的收获）。

因此如今你拍一张照片。采起每一个24x24窗口。为其添加6000个功能。检查它是否正面。哇..哇..是否是有点低效和耗时？是的。做者有一个很好的解决方案。

在图像中，大部分图像区域是非人脸区域。因此最好有一个简单的方法来检查一个窗口是否是一我的脸区域。若是不是，则一次性丢弃它。不要再处理它。而应关注可能有脸部的区域。这样，咱们能够找到更多时间来检查可能的脸部区域。

为此，他们引入了分类器级联的概念。不是将全部6000个特征应用于窗口，而是将特征分组到分类器的不一样阶段并逐个应用。（一般最初的几个阶段将包含很是少的功能）。若是一个窗口在第一阶段失败，请丢弃它。咱们不考虑其余功能。若是经过，则应用第二阶段的功能并继续该过程。经过全部阶段的窗口是一个面部区域。计划如何！

做者的探测器具备6000多个特征，38个阶段，前5个阶段具备1,10,25,25和50个特征。（上图中的两个功能其实是Adaboost的两个最佳功能）。据做者说，平均而言，每一个子窗口评估了6000个以上的10个功能。

所以，这是对Viola-Jones人脸检测工做的直观解释。请阅读论文以获取更多详细信息，或查看其余资源部分中的参考资料

OpenCV中的Haar级联检测

OpenCV随附教练机和探测器。若是你想为汽车，飞机等任何物体训练你本身的分类器，你可使用OpenCV建立一个。它的所有细节在这里给出：级联分类器培训。

这里咱们将处理检测。OpenCV已经包含许多用于面部，眼睛，笑脸等的预先分类器。这些XML文件存储在opencv/data/haarcascades/文件夹中。让咱们用OpenCV建立人脸和眼睛检测器。

首先，咱们须要加载所需的XML分类器。而后以灰度模式加载咱们的输入图像（或视频）。

import numpy as np
import cv2

face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml')

img = cv2.imread('sachin.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

如今咱们在图像中找到了脸部。若是找到面部，它会以Rect（x，y，w，h）的形式返回检测到的面部的位置。一旦咱们得到了这些位置，咱们就能够为脸部建立ROI并在此ROI上应用眼部检测（由于眼睛老是在脸上!!!）。

faces = face_cascade.detectMultiScale(gray, 1.3, 5)
for (x,y,w,h) in faces:
    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_cascade.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()

结果以下所示：

其余资源

1. 视频演讲人脸检测和跟踪
2. 亚当·哈维有关人脸检测的一个有趣采访

参考：

http://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_objdetect/py_face_detection/py_face_detection.html

 

转载请注明出处！！！