基於OpenCV的人臉及笑臉檢測

文章目錄

基於OpenCV的人臉及笑臉檢測

寫在前面

你好，我是禪墨！

好久，沒見！要從一個玩笑說起

今天禪墨和小凱打賭：

小凱：這兒有一堆（200+）圖片，看誰能快速地挑出帶有笑臉的圖片

禪墨：就你？說賭約吧

小凱：你不是惦記K210嗎？就它了

禪墨：成交！給我一點時間。

準備工作

首先要快速地分揀出微笑的照片，就是進行人臉檢測
然後在人臉區域對特徵進行檢測，通過對比嘴型的特徵，找出笑臉
結果預覽

OpenCV haar分類器

圖片處理用什麼？當然是OpenCV啊

既然是檢測笑臉，如果通過特徵的方式，那就繞不開Hear特徵分類器

Haar-like特徵最早是由Papageorgiou等人用於物體檢測的數字圖像特徵，而Viola和Jones在此基礎上，使用3種類型4種形式的特徵。

Haar特徵分爲三類：邊緣特徵、線性特徵、中心特徵和對角線特徵，組合成特徵模板。特徵模板內有白色和黑色兩種矩形，並定義該模板的特徵值爲白色矩形像素和減去黑色矩形像素和。Haar特徵值反映了圖像的灰度變化情況。例如：臉部的一些特徵能由矩形特徵簡單的描述，如：眼睛要比臉頰顏色要深，鼻樑兩側比鼻樑顏色要深，嘴巴比周圍顏色要深等。但矩形特徵只對一些簡單的圖形結構，如邊緣、線段較敏感，所以只能描述特定走向（水平、垂直、對角）的結構。
這類矩形特徵模板由兩個或多個全等的黑白矩形相鄰組合而成，而矩形特徵值是白色矩形的灰度值的和減去黑色矩形的灰度值的和，矩形特徵對一些簡單的圖形結構，如線段、邊緣比較敏感。如果把這樣的矩形放在一個非人臉區域，那麼計算出的特徵值應該和人臉特徵值不一樣，所以這些矩形就是爲了把人臉特徵量化，以區分人臉和非人臉。

如果自己找人臉訓練特徵的話，需要花費時間和大量的素材，那今天就採用OpenCV官方給出的訓練結果！

導入檢測器

face_cascade = cv2.CascadeClassifier('haarcascades/haarcascade_frontalface_default.xml')
smile_cascade = cv2.CascadeClassifier('haarcascades/haarcascade_smile.xml')

檢測過程

不管是檢測人臉還是檢測笑臉，都會用到 detectMultiScale() 函數進行標記

此函數的作用是，在輸入圖像中檢測不同尺寸的對象，返回包含對象的矩形框。

image——輸入圖像
scaleFactor——表示每輪檢測圖像齒輪減少的比例
minNeighbors——指明對象要至少被檢測到幾次才能判定對象確實存在
minSize——檢測對象的最小尺寸
maxSize——檢測對象的最大尺寸

# 檢測臉部
faces = face_cascade.detectMultiScale(gray,
                            scaleFactor=1.1,
                            minNeighbors=5,
                            minSize=(30, 30),
                            flags=cv2.CASCADE_SCALE_IMAGE)
print('Detected ', len(faces), " face")

在人臉檢測之後，需要標記出人臉位置，然後在此位置內進行笑臉的檢測

# 標記位置
for (x, y, w, h) in faces:
    img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
    # cv2.circle(img, (int((x + x + w) / 2), int((y + y + h) / 2)), int(w / 2), (0, 255, 0), 1)
    roi_gray = gray[y: y + h, x: x + w]
    roi_color = img[y: y + h, x: x + w]
    
    #笑臉
    smile = smile_cascade.detectMultiScale(roi_gray，
                            scaleFactor=1.1,
                            minNeighbors=5,
                            minSize=(30, 30))
    for (sx, sy, sw, sh) in smile:
        cv2.rectangle(roi_color, (sx, sy), (sx + sw, sy + sh), (0, 255, 0), 2)

爲了更直觀的在圖片窗口反映結果，在左上角對結果進行標記

需要用到 putText() 函數

label = 'Result: Detected ' + str(len(faces)) +" faces !"
cv2.putText(img, label, (10, 20),
                        cv2.FONT_HERSHEY_COMPLEX,
                        0.3, (0, 0, 0), 1)