概述

在本文中，我們將制作一個(gè)人臉檢測(cè)應(yīng)用程序，它將檢測(cè)圖像中的單個(gè)人臉并同時(shí)檢測(cè)多個(gè)人臉，因此，整篇文章將重點(diǎn)介紹使用計(jì)算機(jī)視覺(jué)進(jìn)行人臉檢測(cè)。在這里，我們將使用 HAAR 級(jí)聯(lián)分類器進(jìn)行檢測(cè)；出于檢測(cè)目的，我們將學(xué)習(xí)檢測(cè)圖像中人臉?biāo)�涉及的所有技術(shù)和過(guò)程。

人臉檢測(cè)的應(yīng)用

1. 人臉識(shí)別：人臉識(shí)別是進(jìn)一步做的事情，即在人臉檢測(cè)之后，進(jìn)行人臉識(shí)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(chǎng)上有各種各樣的濾鏡和有趣的應(yīng)用程序；要進(jìn)行此類應(yīng)用，我們還需要先檢測(cè)人臉，然后應(yīng)用濾鏡。

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

所以讓我們開(kāi)始吧！

加載必要的庫(kù)

＃ 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(cè)器功能默認(rèn)讀取 BGR 格式的現(xiàn)有圖像，但最終用戶通常不會(huì)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(fù)責(zé)創(chuàng)建彩色圖像的所有 3 個(gè)通道（R－Red、G－Green、B－Blue）。

因此，我們將創(chuàng)建一個(gè)函數(shù)來(lái)將 BGR 圖像轉(zhuǎn)換為 RGB 圖像。

def convertToRGB（image）：

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

HAAR 級(jí)聯(lián)文件

HAAR 級(jí)聯(lián)是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)很好的術(shù)語(yǔ)。當(dāng)我們談?wù)?HAAR 級(jí)聯(lián)分類器時(shí)，不僅僅是人臉預(yù)訓(xùn)練分類器，我們可以得到經(jīng)過(guò)訓(xùn)練來(lái)檢測(cè)微笑、汽車(chē)、公共汽車(chē)的分類器，這些級(jí)聯(lián)文件總是采用 XML 文件格式，通常我們使用現(xiàn)有的級(jí)聯(lián)文件，但事實(shí)上我們也可以在這里創(chuàng)建它們，為了簡(jiǎn)單起見(jiàn)，我們將使用 HAAR 級(jí)聯(lián)正面人臉?lè)诸惼鱽?lái)檢測(cè)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(cè)

對(duì)于人臉檢測(cè)，我們需要從坐標(biāo)中獲取人臉的坐標(biāo)，我的意思是 X、Y 坐標(biāo)以及人臉的高度和寬度，然后我們可以在給定的坐標(biāo)下在圖像上繪制一個(gè)矩形，我們有detectMultiScale函數(shù)，它將為我們提供所有需要的坐標(biāo)來(lái)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(shí)，我們獲取了圖像的 x 坐標(biāo)和 y 坐標(biāo)以及高度和寬度，現(xiàn)在我們將使用這些點(diǎn)循環(huán)遍歷圖像的每個(gè)點(diǎn)并在臉部上繪制厚度為 2 個(gè)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(guò)程，是時(shí)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(cè)到圖像中的人臉。

＃convert image to RGB and show image

plt．imshow（convertToRGB（test＿image））

輸出：

自動(dòng)人臉檢測(cè)過(guò)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(gòu)建了檢測(cè)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(lái)存儲(chǔ)原始圖像，這樣任何不需要的更改都不應(yīng)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?yàn)?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(píng)論中已經(jīng)提到了這一點(diǎn)。

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

在新圖像上測(cè)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(cè)多個(gè)人臉的測(cè)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(jié)論

1. 因此，在使用計(jì)算機(jī)視覺(jué)進(jìn)行人臉檢測(cè)時(shí)，我們首先導(dǎo)入必要的庫(kù)并加載我們需要執(zhí)行人臉檢測(cè)的圖像。

2. 然后我們了解了 HAAR 級(jí)聯(lián)文件和正面分類器。除此之外，還學(xué)習(xí)了 detectMultiScale 函數(shù)的使用。

3. 當(dāng)我們意識(shí)到整個(gè)檢測(cè)過(guò)程非常耗時(shí)的時(shí)候，我們嘗試構(gòu)建一個(gè)函數(shù)來(lái)自動(dòng)化這個(gè)過(guò)程。

4. 然后使用函數(shù)，我們可以檢測(cè)到圖像的多張人臉。

5. 最后，我們保存了檢測(cè)到的人臉圖像。

因此，以上是使用計(jì)算機(jī)視覺(jué)準(zhǔn)備人臉檢測(cè)應(yīng)用程序時(shí)必須遵循的步驟

       原文標(biāo)題 : 學(xué)習(xí)使用計(jì)算機(jī)視覺(jué)進(jìn)行人臉檢測(cè)