版權聲明:本文爲博主原創文章,未經博主允許不得轉載。 https://blog.csdn.net/kun1280437633/article/details/86231845
# 1 load xml 2 load jpg 3 haar gray 4 detect 5 draw import cv2 import numpy as np # load xml 1 file name face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml') # load jpg img = cv2.imread('face.jpg') cv2.imshow('src',img) # haar gray gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # detect faces 1 data 2 scale 3 5 faces = face_xml.detectMultiScale(gray,1.3,5) print('face=',len(faces)) # draw 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] # 1 gray eyes = eye_xml.detectMultiScale(roi_face) print('eye=',len(eyes)) for (e_x,e_y,e_w,e_h) in eyes: cv2.rectangle(roi_color,(e_x,e_y),(e_x+e_w,e_y+e_h),(0,255,0),2) cv2.imshow('dst',img) cv2.waitKey(0)
#adaboost 訓練 # 1 初始化數據權值分佈 # 蘋果 蘋果 蘋果 香蕉 # 0.1 0.1 0.1 0.1 # 2 遍歷閾值 p # minP t # 3 G1(x) # 4 權值分佈 update # 0.2 0.2 0.2 0.7 ## 訓練終止條件:1 for count 2 p
#haar + adaboost face # 蘋果 蘋果 蘋果 香蕉 # 0.1 0.1 0.1 0.5 # 訓練終止條件:1 for count 2 p # 1 分類器的結構 2 adaboost 計算過程 3 xml 文件結構 # haar> T1 and haar>T2 2個強分類器15-20 # 1 分類器的結構 # 3個強分類器 1 x1 t1 2 x2 t2 3 x3 t3 # x1>t1 and x2>t2 and x3>t3 目標-》蘋果 # 作用:判決 # 弱分類器結構 # 作用:計算強分類器特徵x1 x2 x3 # x2 = sum(y1,y2,y3) # y1 弱分類器特徵 # node # 3個haar-》 node # 1node haar1 > nodeT1 z1 = a1 # 1node haar1 < nodeT1 z1 = a2 # Z = sum(z1,z2,z3)>T y1 = AA # Z = sum(z1,z2,z3)<T y1 = BB # haar->Node z1 z2 z3 Z=sum(z1,z2,z3) # Z>T y1 y2 y3 # x = sum(y1,y2,y3) > T1 obj
#haar 1 什麼是haar?特徵 = 像素 運算 -》結果 (具體值 向量 矩陣 多維) # 2 如何利用特徵 區分目標? 閾值判決 # 3 得到判決?機器學習 # 1 特徵 2 判決 3 得到判決 # 公式推導 1 -2 # 特徵 = 整個區域*權重1 + 黑色*權重2 = (黑+白)*1+黑*(-2)= # = 黑+白-2黑 = 白-黑 # 1 haar模版 上下 左右 image size 模版 size 100*100 10*10 100次 step = 10 # 1 100*100 2 10*10 3 step 10 4 模版1 # 模版 滑動 縮放 10*10 11*11 20級 # 舉例 1080*720 step2 10*10 # 計算量 = 14模版*20縮放*(1080/2*720/2)*(100點+- ) = 50-100億 # (50-100)*15 = 1000億次 # A 1 B 1 2 C 1 3 D 1 2 3 4 # 4 = A-B-C+D = 1+1+2+3+4 - 1 -2 - 1 -3 = 4 (3+-)