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，要進行目標(biāo)檢測，首先要對圖像進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)資料進行學(xué)習(xí)。以后有時間我再對其進行詳細的介紹。

（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~