OpenCV 2.4+ C++ 人脸识别

机器学习

• 机器学习的目的是把数据转换成信息。
• 机器学习经过从数据里提取规则或模式来把数据转成信息。

 

人脸识别

• 人脸识别经过级联分类器对特征的分级筛选来肯定是不是人脸。
• 每一个节点的正确识别率很高，但正确拒绝率很低。
• 任一节点判断没有人脸特征则结束运算，宣布不是人脸。
• 所有节点经过，则宣布是人脸。

工业上，经常使用人脸识别技术来识别物体。 

 

对图片进行识别

#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 = "人脸识别"; void detectAndDisplay( Mat frame ); int main( int argc, char** argv ){ Mat image; image = imread( argv[1]); if( argc != 2 || !image.data ){ printf("[error] 没有图片\n"); return -1; } if( !face_cascade.load( face_cascade_name ) ){ printf("[error] 没法加载级联分类器文件！\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 ); }

效果：

 

 

CascadeClassifier类

class CascadeClassifier

用于检测物体的级联分类器类。

CascadeClassifier::CascadeClassifier

从一个文件读取分类器。

C++: CascadeClassifier::CascadeClassifier(const string& filename)

参数	filename – 所要读取分类器文件的文件名

CascadeClassifier::empty

检查分类器是否已经载入。

C++: bool CascadeClassifier::empty() const

CascadeClassifier::load

从一个文件读取分类器。

C++: bool CascadeClassifier::load(const string&  filename)

参数	filename – 所要读取分类器文件的文件名。文件能够是旧版的HAAR分类器模型也能够是新版的分类器模型。

CascadeClassifier::read

读取一个文件存储节点的分类器。

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

CascadeClassifier::detectMultiScale

对不一样大小的输入图像进行物体识别，并返回一个识别到的物体的矩阵列表。

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())

参数	image – 须要检测的 CV_8U 输入矩阵。 objects – 输出vector载体容器用于保存被识别的物体矩阵。 scaleFactor – 指定每张图片的缩小比例的参数。 minNeighbors – 指定每一个候选矩阵至少包含的邻近元素个数。 flags – 与旧版级联分类器模型函数cvHaarDetectObjects的flags相同. 此参数不被用于新版模型。 minSize – 最小可能的对象的大小，小于的对象将被忽略。 maxSize – 最大可能的对象的大小，大于的对象将被忽略。

CascadeClassifier::setImage

设置被用于检测的图像。

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

参数	feval – 用于特征计算的特征求值程序的指针。 image – 须要进行特征检测的 CV_8U 输入矩阵。

这个函数将在每张图片中被 CascadeClassifier::detectMultiScale() 自动调用。 但若是你想在不一样位置手动使用 CascadeClassifier::runAt()，你须要先调用该函数，使得图像被积分计算。

CascadeClassifier::runAt

在指定点运行检测。

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

参数	feval – 用于特征计算的特征求值程序。 pt – 指定检测窗口左上角的点。窗口的大小和检测的图片大小一致。

若是级联分类器检测到给定的位置中的一个对象，该函数返回1。不然，它会返回已被否决的候选区域在哪一个阶段的否认的指数。

使用CascadeClassifier::setImage() 设置图像的检测工做。

代码注释：

//须要载入的级联分类器文件 string face_cascade_name = "haarcascade_frontalface_alt.xml"; //级联分类器类 CascadeClassifier face_cascade; //…… //载入级联分类器，并判断是否载入成功，若是不成功则打印提示 if( !face_cascade.load( face_cascade_name ) ){ printf("[error] 没法加载级联分类器文件！\n"); return -1; } //…… //对图片frame进行识别检测 face_cascade.detectMultiScale( frame_gray, faces, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) );

 

转换成灰度图

因为CascadeClassifier类只支持CV_8U矩阵数据，因此咱们须要将图片变成灰度图。

cvtColor API：

将图片从一个色彩空间转到另外一个色彩空间。

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

参数	src – 输入图像：8位无符号，16位无符号（CV_16UC...），或单精度浮点数据类型。 dst – 输出图像，与输入图像相同大小、深度。 code – 颜色空间转换代码。 dstCn – 目标图像的通道数，当该参数为0时，则通道树由src和code自动得出。

该函数将输入图片从一个色彩空间转到另外一个色彩空间。当从RGB颜色空间进行变换时，应明确指定的信道的顺序（RGB或BGR）。值得注意，在OpenCV的默认颜色格式中，一般被称为做为RGB，但其实是BGR（字节是相反的）。所以，在一个标准的（24位）的彩色图像的第一个字节是一个8位的蓝色份量，第二个字节将是绿色的，第三个字节将是红色的。而第四，第五，和第六字节，则是第二像素（蓝，而后绿色，而后红色），依此类推。

R、G和B 通道一般信道值范围：

• CV_8U：0 — 255
• CV_16U：0 — 65535
• CV_32F：0 — 1

线性变换的状况下，有没有范围是无所谓的。可是，在一个非线性变换的状况下，输入的RGB图像应被归为适当的值范围内，以获得正确的结果。例如，若是你有一个32位浮点图像直接转换成一个8位的图像而没有任何缩放，那么它将有0到255的数值范围，而这并不能准确0..1全部浮点数的值。因此，你须要以前调用cvtColor，进行图像缩放。

代码注释：

//将frame转换成灰度图，输出到frame_gray cvtColor( frame, frame_gray, CV_BGR2GRAY );

 

直方图均衡化

• 直方图是图像中像素强度分布的图形表达方式。
• 它统计了每个强度值所具备的像素个数。

　　

• 直方图均衡化是经过拉伸像素强度分布范围来加强图像对比度的一种方法。
• 说得更清楚一些, 以上面的直方图为例, 你能够看到像素主要集中在中间的一些强度值上. 直方图均衡化要作的就是 拉伸 这个范围. 见下面左图: 绿圈圈出了 少有像素分布其上的 强度值. 对其应用均衡化后, 获得了中间图所示的直方图. 均衡化的图像见下面右图.

　　

咱们利用直方图均衡化对图片加强对比度，方便级联分类器分析。

equalizeHist API：

对灰度图像进行直方图均衡。

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

参数	src – 源为8位单通道图像。 dst – 输出图像，和源图片一样大小类型。

直方图均衡函数使用了下列的算法：

1. 计算源文件的直方图  。

2. 调整直方图，使得其方格总个数为255。

3. 对直方图进行积分：

4. 使用  变换图片，其映射函数为：。

该算法归一化亮度并增长了图像的对比度。

 

 

 

被山寨的原文

Cascade Classifier . OpenCV.org

Cascade Classification API . OpenCV.org

Histogram Equalization . OpenCV.org