概述

在本文中，我們將制作一個人臉檢測應用程序，它將檢測圖像中的單個人臉并同時檢測多個人臉，因此，整篇文章將重點介紹使用計算機視覺進行人臉檢測。在這里，我們將使用 HAAR 級聯(lián)分類器進行檢測；出于檢測目的，我們將學習檢測圖像中人臉所涉及的所有技術和過程。

人臉檢測的應用

1. 人臉識別：人臉識別是進一步做的事情，即在人臉檢測之后，進行人臉識別。

2. 濾鏡：如今，我們生活在社交媒體的世界里，我們可以看到全球市場上有各種各樣的濾鏡和有趣的應用程序；要進行此類應用，我們還需要先檢測人臉，然后應用濾鏡。

3. 人臉解鎖應用程序：我們經(jīng)常在手機中使用此功能，但我們知道，這也需要檢測人臉。

所以讓我們開始吧！

加載必要的庫

＃ Import the necessary libraries

import numpy as np

import cv2 

import matplotlib．pyplot as plt

％matplotlib inline

加載圖像

＃  Loading the image to be tested

test＿image ＝ cv2．imread（＇data／baby1．png＇）

＃ Here we are converting the colored image into gray image

if（test＿image is not None）：

   test＿image＿gray ＝ cv2．cvtColor（test＿image， cv2．COLOR＿BGR2GRAY）

test＿image＿gray

＃ Displaying grayscale image

plt．imshow（test＿image＿gray， cmap＝＇gray＇）

輸出：

我們很清楚 OpenCV 的檢測器功能默認讀取 BGR 格式的現(xiàn)有圖像，但最終用戶通常不會考慮 BGR 格式；因此我們需要將 BGR 格式的圖像轉(zhuǎn)換為 RGB 格式，即彩色圖像，它具有負責創(chuàng)建彩色圖像的所有 3 個通道（R－Red、G－Green、B－Blue）。

因此，我們將創(chuàng)建一個函數(shù)來將 BGR 圖像轉(zhuǎn)換為 RGB 圖像。

def convertToRGB（image）：

   return cv2．cvtColor（image， cv2．COLOR＿BGR2RGB）

HAAR 級聯(lián)文件

HAAR 級聯(lián)是計算機視覺領域的一個很好的術語。當我們談論 HAAR 級聯(lián)分類器時，不僅僅是人臉預訓練分類器，我們可以得到經(jīng)過訓練來檢測微笑、汽車、公共汽車的分類器，這些級聯(lián)文件總是采用 XML 文件格式，通常我們使用現(xiàn)有的級聯(lián)文件，但事實上我們也可以在這里創(chuàng)建它們，為了簡單起見，我們將使用 HAAR 級聯(lián)正面人臉分類器來檢測圖像中人臉的位置。

加載正面分類器

haar＿cascade＿face ＝ cv2．CascadeClassifier（＇data／haarcascades／haarcascade＿frontalface＿alt2．xml＇）

人臉檢測

對于人臉檢測，我們需要從坐標中獲取人臉的坐標，我的意思是 X、Y 坐標以及人臉的高度和寬度，然后我們可以在給定的坐標下在圖像上繪制一個矩形，我們有detectMultiScale函數(shù)，它將為我們提供所有需要的坐標來規(guī)劃矩形。

face＿coordinate ＝ haar＿cascade＿face．detectMultiScale（test＿image＿gray， scaleFactor ＝ 1．2， minNeighbors ＝ 5）；

＃ Let us print the no． of faces found

print（＇Faces found： ＇， len（face＿coordinate））

輸出：

Faces found：  1

所以之前，在使用 detectMultiScale 函數(shù)時，我們獲取了圖像的 x 坐標和 y 坐標以及高度和寬度，現(xiàn)在我們將使用這些點循環(huán)遍歷圖像的每個點并在臉部上繪制厚度為 2 個像素的矩形。

for （x＿face，y＿face，w＿face，h＿face） in face＿coordinate：

    cv2．rectangle（test＿image， （x＿face， y＿face）， （x＿face＋w＿face， y＿face＋h＿face）， （0， 255， 0）， 2）

由于現(xiàn)在已經(jīng)完成了完整的過程，是時候檢查我們到目前為止執(zhí)行的所有步驟是否正確，在Matplotlib 的 show 函數(shù)的幫助下，我們將看到處理后的圖像，看看它是否可以檢測到圖像中的人臉。

＃convert image to RGB and show image

plt．imshow（convertToRGB（test＿image））

輸出：

自動人臉檢測過程的函數(shù)

def detect＿faces（cascade， test＿image， scaleFactor ＝ 1．1）：

   ＃ Here with the help of copy（） function we will hold the copy of the original image

   image＿copy ＝ test＿image．copy（）

   ＃ Here with the help of cvtColor function we are converting the image from BGR format to gray image

   gray＿image ＝ cv2．cvtColor（image＿copy， cv2．COLOR＿BGR2GRAY）

   ＃ Finally we are using the haar cascade function with detectMultiscale to get the coordiates of the faces in the given image

   faces＿rect ＝ cascade．detectMultiScale（gray＿image， scaleFactor＝scaleFactor， minNeighbors＝1）

   for （x＿face， y＿face， w＿face， h＿face） in faces＿rect：

       cv2．rectangle（image＿copy， （x＿face， y＿face）， （x＿face＋w＿face， y＿face＋h＿face）， （0， 255， 0）， 2）

   return image＿copy

代碼分解：在這里，我們構建了檢測人臉的函數(shù)；讓我們看看這里發(fā)生了什么：

1. 首先，我們使用copy函數(shù)來存儲原始圖像，這樣任何不需要的更改都不應該存在于原始圖像中

2. 然后我們將BGR 格式的圖像轉(zhuǎn)換為灰度圖像，因為 cv2 以灰度格式讀取圖像只是為了更好的可讀性。

3. 然后，在 detectMultiScale 函數(shù)的幫助下， 評論中已經(jīng)提到了這一點。

4. 最后，利用 detectMultiScale 函數(shù)得到的坐標，繪制出 2 像素厚的綠色矩形

在新圖像上測試

＃loading image

test＿image2 ＝ cv2．imread（＇data／baby2．png＇）

＃call the function to detect faces

faces ＝ detect＿faces（haar＿cascade＿face， test＿image2）

＃convert to RGB and display image

plt．imshow（convertToRGB（faces））

輸出：

檢測多個人臉的測試

＃loading image

test＿image2 ＝ cv2．imread（＇data／group．png＇）

＃call the function to detect faces

faces ＝ detect＿faces（haar＿cascade＿face， test＿image2）

＃convert to RGB and display image

plt．imshow（convertToRGB（faces））

輸出：

保存圖像

cv2．imwrite（＇image1．png＇，faces）

輸出：

True

結論

1. 因此，在使用計算機視覺進行人臉檢測時，我們首先導入必要的庫并加載我們需要執(zhí)行人臉檢測的圖像。

2. 然后我們了解了 HAAR 級聯(lián)文件和正面分類器。除此之外，還學習了 detectMultiScale 函數(shù)的使用。

3. 當我們意識到整個檢測過程非常耗時的時候，我們嘗試構建一個函數(shù)來自動化這個過程。

4. 然后使用函數(shù)，我們可以檢測到圖像的多張人臉。

5. 最后，我們保存了檢測到的人臉圖像。

因此，以上是使用計算機視覺準備人臉檢測應用程序時必須遵循的步驟

       原文標題 : 學習使用計算機視覺進行人臉檢測