OpenCV：使用python-cv2實現Harr+Adaboost臉部辨識

Haar特徵

哈爾特徵使用檢測視窗中指定位置的相鄰矩形，計算每一個矩形的畫素和並取其差值。然後用這些差值來對影象的子區域進行分類。

haar特徵模板有以下幾種：

以第一個haar特徵模板為例

計算方式

1.特徵 = 白色 - 黑色(用白色區域的畫素之和減去黑色區域的象徵之和)

2.特徵 = 整個區域 * 權重 + 黑色 * 權重

使用haar模板處理影象

從影象的起點開始，利用haar模板從左往右遍歷，從上往下遍歷，並設定步長，同時考慮影象大小和模板大小的資訊

假如我們現在有一個 1080 * 720 大小的影象，10*10 的haar模板,並且步長為2，那麼我我們所需要的的計算量為: (1080 / 2 * 720 / 2) * 100 * 模板數量 * 縮放 約等於50-100億，計算量太大。

積分圖

使用積分圖可大量減少運算時間，實際上就是運用了字首和的原理

Adaboost分類器

Adaboost是一種迭代演演算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來，構成一個更強的最終分類器（強分類器）。

演演算法流程

該演演算法其實是一個簡單的弱分類演演算法提升過程，這個過程通過不斷的訓練，可以提高對資料的分類能力。整個過程如下所示：

1. 先通過對N個訓練樣本的學習得到第一個弱分類器；
2. 將分錯的樣本和其他的新資料一起構成一個新的N個的訓練樣本，通過對這個樣本的學習得到第二個弱分類器 ；
3. 將1和2都分錯了的樣本加上其他的新樣本構成另一個新的N個的訓練樣本，通過對這個樣本的學習得到第三個弱分類器；
4. 最終經過提升的強分類器。即某個資料被分為哪一類要由各分類器權值決定。

我們需要從官網下載倆個Adaboost分類器檔案,分別是人臉和眼睛的分類器:
下載地址：https://github.com/opencv/opencv/tree/master/data/haarcascades

程式碼實現

實現臉部辨識的基本步驟：

1.載入檔案和圖片 
2.進行灰度處理 
3.得到haar特徵 
4.檢測人臉 
5.進行標記

我們使用cv2.CascadeClassifier()來載入我們下載好的分類器。

然後我們使用detectMultiScale()方法來得到識別結果

import cv2
import numpy as np
import matplotlib.pyplot as plt
# 1.載入檔案和圖片 2.進行灰度處理 3.得到haar特徵 4.檢測人臉 5.標記

face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml')
img = cv2.imread('img.png')
cv2.imshow('img', img)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 1.灰色影象 2.縮放係數 3.目標大小
faces = face_xml.detectMultiScale(gray, 1.3, 5)
print('face = ',len(faces))
print(faces)
#繪製人臉，為人臉畫方框
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]
    eyes = eye_xml.detectMultiScale(roi_face)
    print('eyes = ',len(eyes))
    for (ex,ey,ew,eh) in eyes:
        cv2.rectangle(roi_color, (ex,ey),(ex + ew, ey + eh), (0,255,0), 2)
cv2.imshow('dat', img)
cv2.waitKey(0)

face =  1
[[133  82  94  94]]
eyes =  2