本文轉(zhuǎn)載至知乎ID:Charles(白露未晞)知乎個人專欄
導(dǎo)語
本文轉(zhuǎn)載至知乎ID:Charles(白露未晞)知乎個人專欄
利用Python+OpenCV實現(xiàn)貓臉檢測。
使用的是OpenCV內(nèi)置的Viola-Jones目標(biāo)檢測框架來實現(xiàn)貓臉檢測,感覺挺有意思的。
讓我們愉快地開始吧~~~
相關(guān)文件
百度網(wǎng)盤下載鏈接: https://pan.baidu.com/s/1AZ8t49wtG1GpDb4fj7XGQA
密碼: v55f
開發(fā)工具
Python版本:3.6.4
相關(guān)模塊:
cv2模塊;
以及一些Python自帶的模塊。
環(huán)境搭建
安裝Python并添加到環(huán)境變量,pip安裝需要的相關(guān)模塊即可。
原理簡介
為了進(jìn)一步提高公眾號的文章質(zhì)量,我決定來簡單地講一講Haar分類器,也就是Viola-Jones識別器。
詳細(xì)的原理說明可參考相關(guān)文件中的兩篇論文:
Rapid Object Detection using a Boosted Cascade of Simple Features;
Robust Real-Time Face Detection.
(1)Haar-like特征
Haar-like矩形特征是用于物體檢測的數(shù)字圖像特征,由兩個或者多個相鄰的黑白矩形組合而成,矩形的特征值是白色矩形的灰度值之和減去黑色矩形的灰度值之和。一般地,我們認(rèn)為矩形特征對一些簡單的圖形結(jié)構(gòu)(線段、邊緣)等較為敏感:
具體到貓臉檢測而言,我們認(rèn)為把這樣的矩形放到一個非貓臉區(qū)域后獲得的特征值與放到一個貓臉區(qū)域后獲得的特征值是不同的。
利用上述基于特征的檢測算法,不僅能夠編碼特定區(qū)域的狀態(tài),而且效率高于基于像素的檢測算法。
(2)積分圖
下面我們來考慮一下如何計算矩形的特征值。對圖像中的任意一點A(x, y),定義該點的積分圖為其左上角的所有像素值之和,即:
因此,要計算矩形模板的特征值,也就是計算兩個區(qū)域之間的像素和之差,只需要用特征區(qū)域端點的積分圖來進(jìn)行簡單的加減運算就可以了:
(3)Haar分類器
Haar分類器是一個監(jiān)督學(xué)習(xí)分類器,要進(jìn)行目標(biāo)檢測,首先要對圖像進(jìn)行直方圖均衡化和歸一化處理,然后檢測里面是否包含要檢測的物體。
流程框架圖為(Haar分類器本質(zhì)上由Haar特征提取器、離散強分類器以及強分類級聯(lián)器組成):
Haar分類器使用Adaboost算法,但是把它組織為了篩選式的級聯(lián)分類器,在任意一級計算中,一旦獲得輸入內(nèi)容不在檢測類中的結(jié)論,便終止計算,只有通過所有級別的分類器,才可認(rèn)為檢測到了目標(biāo)物體,以此來提高檢測效率。
關(guān)于AdaBoost算法,我就不展開介紹了,有興趣的同學(xué)可以自己查找相關(guān)資料進(jìn)行學(xué)習(xí)。以后有時間我再對其進(jìn)行詳細(xì)的介紹。
(4)適用范圍
適用于“基本剛性”的物體檢測,如臉、汽車、人體和自行車等等。
(5)總結(jié)
Viola-Jones目標(biāo)檢測框架的核心思想是通過滑動窗口掃描圖像(多尺度的掃描),然后將每個窗口的Haar特征值輸入到篩選式的級聯(lián)分類器中來判斷該窗口內(nèi)是否含有目標(biāo)物體以實現(xiàn)目標(biāo)檢測。
具體實現(xiàn)
OpenCV中內(nèi)置了基于Viola-Jones目標(biāo)檢測框架的Haar分類器,并提供了貓臉檢測預(yù)訓(xùn)練好的模型。因此實現(xiàn)起來十分簡單。
具體實現(xiàn)過程詳見相關(guān)文件中的源代碼。
效果演示
使用方式:
修改源代碼中的圖片名為自己需要檢測的圖片:
在cmd窗口運行DetectCatFace.py文件即可。
效果:
原圖1:
檢測結(jié)果1:
原圖2:
檢測結(jié)果2(并不能很好地區(qū)分狗狗和貓咪):
That'all~
更多
代碼截止2018-06-28測試無誤。
之后會陸續(xù)推出基于深度學(xué)習(xí)的目標(biāo)檢測算法案例,它們的檢測效果還是非常棒的~