openCV学习笔记（九） —— 人脸检测

曾经终败给现在 2021-09-27 05:24 533阅读 0赞

**一、OpenCV人脸检测**

要实现人脸识别功能，首先要进行人脸检测，判断出图片中人脸的位置，才能进行下一步的操作。

**1、OpenCV人脸检测的方法**

在OpenCV中主要使用了两种特征（即两种方法）进行人脸检测，Haar特征和LBP特征。

在OpenCV中，使用已经训练好的XML格式的分类器进行人脸检测。在OpenCV的安装目录下的sources文件夹里的data文件夹里可以看到下图所示的内容：

![SouthEast][]

上图中文件夹的名字“haarcascades”、“hogcascades”和“lbpcascades”分别表示通过“haar”、“hog”和“lbp”三种不同的特征而训练出的分类器：即各文件夹里的文件。"haar"特征主要用于人脸检测，“hog”特征主要用于行人检测，“lbp”特征主要用于人脸识别。打开“haarcascades”文件夹，如下图所示

![SouthEast 1][]

图中的XML文件即是我们人脸检测所需要的分类器文件。在实际使用中，推荐使用上图中被标记的“haarcascade\_frontalface\_alt2.xml”分类器文件，准确率和速度都比较好。

**2、OpenCV中的人脸检测的类**

在opencv中，人脸检测用的是harr或LBP特征，分类算法用的是adaboost算法。这种算法需要提前训练大量的图片，非常耗时，因此opencv已经训练好了，把训练结果存放在一些xml文件里面。在opencv3.0版本中，训练好的文件放在 \\build\\etc\\文件夹下，有两个文件夹haarcascades和lbpcascades，前者存放的是harr特征训练出来的文件，后者存放的是lbp特征训练出来的文件。

在OpenCV中，使用类“CascadeClassifier”进行人脸检测

CascadeClassifier faceCascade;   //实例化对象

所需要使用的函数：

faceCascade.load("../data/haarcascade\_frontalface\_alt2");  //加载分类器  
faceCascade.detectMultiScale(imgGray, faces, 1.2, 6, 0, Size(0, 0));  //多尺寸检测人脸

实现人脸检测主要依赖于detectMultiScale()函数，下面简单说一下函数参数的含义，先看函数原型：

CV\_WRAP virtual void detectMultiScale( const Mat& image,  
                                   CV\_OUT vector<Rect>& objects,  
                                   double scaleFactor=1.1,  
                                   int minNeighbors=3, int flags=0,  
                                   Size minSize=Size(),  
                                   Size maxSize=Size() );

总共有7个参数，分别是

第一个参数image:  要检测的图片，一般为灰度图

第二个参数objects:  Rect型的容器，存放所有检测出的人脸，每个人脸是一个矩形

第三个参数scaleFactor:  缩放因子，对图片进行缩放，默认为1.1

第四个参数minNeighbors： 最小邻居数，默认为3

第五个参数flags:  兼容老版本的一个参数，在3.0版本中没用处。默认为0

*  CV\_HAAR\_DO\_CANNY\_PRUNING：利用Canny边缘检测时会排除一些边缘很少或者很多的图像区域；
 *  CV\_HAAR\_SCALE\_IMAGE：按正常比例监测；
 *  CV\_HAAR\_FIND\_BIGGEST\_OBJECT：只检测最大的物体；
 *  CV\_HAAR\_DO\_ROUGH\_SEARCH：只做粗略检测；

第六个参数minSize: 最小尺寸，检测出的人脸最小尺寸

第七个参数maxSize： 最大尺寸，检测出的人脸最大尺寸

人脸检测的过程其实也就是一个分类的过程，CascadeClassifier是opencv中人脸检测的一个级联分类器。opencv中目标检测是使用Haar分类器来实现的（后面也使用了LBP特征），这是一种监督学习分类器，使用的是AdaBoost算法。AdaBoost算法的基本过程是对给定的训练样本进行训练得到弱分类器，然后通过多个弱分类器进行加权叠加得到强分类器。弱分类器和强分类器与若学习和强学习对应，弱学习是指学习算法的识别率只是比随机识别稍好；强学习是指学习算法识别概率很高。

3、流程

opencv为我们提供了方便API，我们只要调用就可以快速实现人脸检测，过程主要是：

读取图片 -> 转化成灰度图 -> 对灰度图进行直方图均衡化 -> 调用detectMultiScale进行人脸检测 -> 将结果转化成人脸识别需要的训练集格式

**二、代码实现**

**1、检测图片中的人脸**

//头文件
    #include<opencv2/objdetect/objdetect.hpp>
    #include<opencv2/highgui/highgui.hpp>
    #include<opencv2/imgproc/imgproc.hpp>
     
    using namespace cv;
     
    //人脸检测的类
    CascadeClassifier faceCascade;
     
    int main()
    {
    	faceCascade.load("../data/haarcascade_frontalface_alt2.xml");   //加载分类器，注意文件路径
     
    	Mat img = imread("../data/PrettyGirl.jpg");
    	Mat imgGray;
    	vector<Rect> faces;
     
    	if(img.empty())
    	{
    	  return 1;
    	}
     
    	if(img.channels() ==3)
    	{
    	   cvtColor(img, imgGray, CV_RGB2GRAY);
    	}
    	else
    	{
    	   imgGray = img;
    	}
     
    	faceCascade.detectMultiScale(imgGray, faces, 1.2, 6, 0, Size(0, 0));   //检测人脸
     
    	if(faces.size()>0)
    	{
    	   for(int i =0; i<faces.size(); i++)
    	   {
    	       rectangle(img, Point(faces[i].x, faces[i].y), Point(faces[i].x + faces[i].width, faces[i].y + faces[i].height), 
    			               Scalar(0, 255, 0), 1, 8);    //框出人脸位置
    	   }
    	}
     
    	imshow("FacesOfPrettyGirl", img);
     
    	waitKey(0);
    	return 0;
    }

结果如下图：

![SouthEast 2][]

**2、检测视频中的人脸**

#include <opencv2/objdetect/objdetect.hpp>
    #include <opencv2/highgui/highgui.hpp>
    #include <opencv2/imgproc/imgproc.hpp>
    #include <iostream>
    
    using namespace std;
    using namespace cv;
    
    int main()
    {
    	CascadeClassifier faceCascade;
    
    	faceCascade.load("haarcascade_frontalface_alt2.xml");
    	if (faceCascade.empty())
    	{
    		printf("can't load classifier\n");
    		return -1;
    	}
    
    	VideoCapture capture;
    	capture.open(0);
    	if (!capture.isOpened())
    	{
    		printf("can't open video\n");
    		return -1;
    	}
    
    	Mat img, imgGray;
    	vector<Rect> faces;
    
    	while (true)
    	{
    		capture.read(img);
    
    		if (img.channels() == 3)
    		{
    			cvtColor(img, imgGray, CV_RGB2GRAY);
    		}
    		else
    		{
    			imgGray = img;
    		}
    
    		faceCascade.detectMultiScale(imgGray, faces, 1.2, 6, 0, Size(0, 0));
    
    		if (faces.size() > 0)
    		{
    			for (int i = 0; i < faces.size(); i++)
    			{
    				rectangle(img, Point(faces[i].x, faces[i].y), Point(faces[i].x + faces[i].width, faces[i].y + faces[i].height), Scalar(0, 255, 0), 5, 8);
    			}
    		}
    
    		imshow("videoCapture", img);
    
    		if (waitKey(1) == 27)
    		{
    			break;
    		}
    	}
    
    	destroyAllWindows();
    
    	return 0;
    }

在视频实时检测时，可能会出现卡顿，是因为检测人脸花费了过多的时间，这里代码只实现基本功能，并未优化。

本文完。

[SouthEast]: /images/20210923/95fbbb10e4d64cc1b8381b1ac136547d.png
[SouthEast 1]: /images/20210923/8391f3198f8f48aaae60e756c9c758af.png
[SouthEast 2]: /images/20210923/15c130454a8e444fa9f9fea61dca1f88.png