介绍

在本文中，我们将讨论在 OpenCV python 中使用 Haar Cascade（级联）实现人脸检测器。

识别图像中的给定对象称为对象检测。可以使用多种技术来完成此任务，但在本文中，我们将使用带有预训练 XML 文件的 haar 级联。这是执行对象检测的最简单方法。

Haar 级联已用于低边缘设备上的对象检测，它是 OpenCV 中最流行的对象检测算法之一。

Haar 级联计算量不大；因此它适用于计算能力较小的小型设备。

Haar 级联

什么是 Haar 级联，它是如何工作的？

Haar 级联 是一种基于特征的对象检测算法，用于从图像中检测对象。Cascade 函数在大量正负图像上进行训练以进行检测。

该算法不需要大量计算并且可以实时运行。我们可以为动物、汽车、自行车等自定义对象训练自己的级联函数。

Haar 级联 不能用于人脸识别，因为它只能识别匹配的形状和大小。

Haar 级联使用 Cascade 函数和 Cascade 窗口。它尝试计算每个窗口的特征并进行正负分类。如果窗口可以是对象的一部分，则为正，否则为负。

Haar 级联可以理解为二进制分类器。它为那些可以成为我们对象一部分的级联窗口指定正值，为那些不能成为我们对象的一部分的窗口指定负值。

· Haar 级联可以实时工作。

· 与现代对象检测算法相比，Haar 级联并不准确。

· 它检测到许多误报。这可以在一定程度上进行调整，但不能完全删除。

· 实现起来非常简单。

· Haar 级联最大的缺点是它的误报检测。

预训练的 Haar 级联

有许多预训练的 haar 级联文件使实施变得超级容易。我们也可以训练自己的 haar 级联，但这需要大数据进行训练。

OpenCV 库在 GitHub 上管理所有流行的 haar 级联预训练文件的存储库

这些文件可用于各种对象检测任务，例如：

· 人脸检测

· 眼睛检测

· 车辆检测

· 鼻子／嘴巴检测

· 身体检测

· 车牌检测

Haar 级联将其特征存储在一个 XML 文件中；这些文件可以直接加载到 OpenCV 中，使用 Haar 级联进行对象检测。

在 OpenCV 中实现 Haar 级联

如果你正在使用 OpenCV 提供的存储库中可用的任何预训练对象检测，则只需下载预训练的 XML 文件。

在 Python 中安装 OpenCV

可以使用 python 中的 pip 包管理器安装 OpenCV。

！pip install opencv－python

＃－－－OR －－－

！pip install opencv－contrib－python

在 OpenCV 中加载 Haar 级联

我们可以使用函数cv2．CascadeClassifier加载 haar－cascade XML 文件。

face＿detector＝cv2．CascadeClassifier（‘haarcascade＿frontalface＿default．xml’）

eye＿dectector ＝ cv2．CascadeClassifier（‘haarcascade＿eye．xml’）

一旦加载了 XML 文件，我们就可以调用检测器函数。

results ＝ face＿detector．detectMultiScale（gray＿img， scaleFactor＝1．15，minNeighbors＝5，minSize＝（34， 35）， flags＝cv2．CASCADE＿SCALE＿IMAGE）

＃ import the necessary packages

import cv2

face＿detector＝cv2．CascadeClassifier（＇haarcascade＿frontalface＿default．xml＇）

eye＿dectector ＝ cv2．CascadeClassifier（＇haarcascade＿eye．xml＇）

image ＝ cv2．imread（＇tomato．jpg＇）

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

results ＝ face＿detector．detectMultiScale（gray＿img， scaleFactor＝1．15，minNeighbors＝5，minSize＝（34， 35）， flags＝cv2．CASCADE＿SCALE＿IMAGE）

print（results）

results是检测到的对象周围的边界框坐标 （x，y，w，h） 的列表。

detectMultiScale中的参数：

· scaleFactor：这表示对象的大小与原始图像相比减小了多少。

· minNeighbors：此参数告诉在单个边界框中应该有多少个邻居。

· minSize?：这表示我们图像中对象的最小可能大小。如果我们的对象小于 minSize ，它将被忽略。

注意：对于对象检测，我们必须使用gray＿image， minNeighbors，scaleFactor等参数。

人脸检测

让我们以第一个使用预训练 haar 级联的对象检测示例为例，我们将使用 Python 从图片中检测人脸。

import numpy as np

import cv2

＃－－－loading the Haar 级联 detector using CascadeClassifier－－－face＿detector＝cv2．CascadeClassifier（＇haarcascade＿frontalface＿default．xml＇）

＃－－－Loading the image from local －－－－－

img ＝ cv2．imread（＇team＿india．jpg＇）

gray ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）

results ＝ face＿detector．detectMultiScale（gray， 1．3， 5）

for （x，y，w，h） in results：

   cv2．rectangle（img，（x，y），（x＋w，y＋h），（0，255，0），2）
  

cv2．imshow（＇img＇，img）

cv2．waitKey（0）

cv2．destroyAllWindows（）

· results它包含图片中边界框的坐标。

· detectMultiScale此方法仅适用于灰度图片。

· cv2．rectangle允许我们在传递坐标后绘制矩形。

· scaleFactor ＝ 1．3FineTuning 参数，取值范围从 1 到 2。

分级检测

Haarcascade 支持分级检测，这意味着 Haar 级联能够以分级方式检测单个帧内的多个对象。

假设我们必须检测人类的面部和眼睛。要继续执行任务，我们需要执行以下步骤。

· 检测人脸

· 对于每张脸，裁剪人脸并将其转发以进行眼睛检测

· 在找到眼睛的坐标 （ ex，ey，ew，eh） 后，在原始图片中的眼睛周围绘制一个边界框。

· 在原始图片上使用坐标（x，y，w，h）在面部周围绘制一个边界框。

import numpy as np

import cv2

face＿detector1＝cv2．CascadeClassifier（＇haarcascade＿frontalface＿default．xml＇）

eye＿detector1 ＝ cv2．CascadeClassifier（＇haarcascade＿eye．xml＇）

img ＝ cv2．imread（＇uman．jpg＇）

gray ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）

faces＿result ＝ face＿detector．detectMultiScale（gray， 1．3， 5）

for （x，y，w，h） in faces＿result：

img ＝ cv2．rectangle（img，（x，y），（x＋w，y＋h），（255，0，0），2）

roi＿gray ＝ gray［y：y＋h， x：x＋w］

roi＿color ＝ img［y：y＋h， x：x＋w］

eyes ＝ eye＿detector．detectMultiScale（roi＿gray）

for （ex，ey，ew，eh） in eyes：

cv2．rectangle（roi＿color，（ex，ey），（ex＋ew，ey＋eh），（0，255，0），2）

cv2．imshow（＇img＇，img）

cv2．waitKey（0）

cv2．destroyAllWindows（）

实时实现人脸检测

我们可以在 OpenCV 视频流中使用 Haar 级联进行对象检测，只需要在 OpenCV 中读取视频或摄像头，其余的都是一样的。

视频源是一系列帧，因此代码与单个帧相同。由于其轻计算要求，Haar 级联每秒运行良好。

我们将读取 OpenCV 视频摄像头输入以实时拍摄图像。

import cv2

face＿detector1 ＝ cv2．CascadeClassifier（＇haarcascade＿frontalface＿default．xml＇）

eye＿dectector1 ＝ cv2．CascadeClassifier（＇haarcascade＿eye．xml＇）

＃ reading the input image now

cap ＝ cv2．VideoCapture（0）

while cap．isOpened（）：

   ＿， frame ＝ cap．read（）

   gray ＝ cv2．cvtColor（frame， cv2．COLOR＿BGR2GRAY）

   faces ＝ face＿detector1．detectMultiScale（gray，1．1， 4 ）

   for （x，y， w， h） in faces：

   cv2．rectangle（frame， pt1 ＝ （x，y），pt2 ＝ （x＋w， y＋h）， color ＝ （255，0，0），thickness ＝  3）

   roi＿gray ＝ gray［y：y＋h，x：x＋w］

   roi＿color ＝ frame［y：y＋h， x：x＋w］

   eyes ＝ eye＿dectector1．detectMultiScale（roi＿gray）

   for （ex，ey， ew， eh） in eyes：

       cv2．rectangle（roi＿color， （ex，ey）， （ex＋ew， ey＋eh）， （0，255，0）， 5）

   cv2．imshow（＂window＂， frame）

   if cv2．waitKey（1） ＆ 0xFF ＝＝ ord（＇q＇）：

      break

frame．release（）

眼睛和面部的边界框将是实时的，并且每帧都会发生变化。

Haar 级联人脸检测的局限性

Haar 级联对于人脸、汽车等一些对象仍然很受欢迎，这些对象很容易区分。

Haar 级联不能用于深度目标检测，如谷物类型等。

Haar 级联算法有一些限制：

· 与现代对象检测器相比，精度较低。

· 高假阳性检测。

· 需要手动调整参数。

· 为自定义对象训练 haar 级联并不容易。

结论

在本文中，我们讨论了 haar 级联的工作原理以及如何在 python 中使用 OpenCV实现 haar 级联以进行对象检测。我们使用预训练的 haar 级联文件进行人脸检测和眼睛检测，然后我们实时执行相同的操作。

我们还谈到了 haar 级联算法的局限性，为什么它仍然被广泛使用，为什么它这么快。

· 可以使用手动参数调整来修复误报率。

· YOLO、SSD 和其他深度学习对象检测算法保证了更高的准确性。

· 训练自定义 haar 级联既耗时又低效。

       原文标题 : 在 python 中使用 Haar-Cascade 进行人脸检测