opencv人脸识别（图片，视频）_opencv人脸识别算法资源-CSDN文库

共3个文件

xml：2个

py：1个

92 浏览量 2018-09-06 14:00:55 上传评论收藏 186KB ZIP 举报

OpenCV（开源计算机视觉库）是一个强大的工具，用于在图像和视频中进行人脸识别。这个库提供了多种算法和技术，包括Haar级联分类器、Local Binary Patterns (LBP)、Eigenfaces以及Fisherfaces等，使得开发者能够实现从简单的人脸检测到复杂的面部特征识别。 1. **Haar级联分类器**：这是OpenCV中最常用的人脸检测方法，基于Adaboost算法训练的一系列特征级联。级联分类器由多个弱分类器组合而成，可以高效地检测出图像中的人脸区域，同时减少误检率。级联分类器通常以XML文件形式存在，例如`haarcascade_frontalface_default.xml`。 2. **Local Binary Patterns (LBP)**：LBP是一种纹理描述符，它通过比较像素邻域内的灰度差异来提取特征。在人脸识别中，LBP可以用于描述面部的局部特性，然后通过比对这些特征来识别不同的人脸。 3. **Eigenfaces和Fisherfaces**：这两种方法是基于PCA（主成分分析）和LDA（线性判别分析）的人脸识别技术。Eigenfaces通过降维和特征提取将人脸图像转换为一组特征向量；Fisherfaces则更注重类间的区分性，能更好地处理光照、表情变化等变量。 4. **OpenCV库的使用**：在Python中使用OpenCV进行人脸识别，首先需要导入库，然后加载级联分类器，接着读取图像或视频帧，使用`cv2.CascadeClassifier.detectMultiScale()`函数进行人脸检测，最后可以对检测到的人脸进行标注或者进一步的特征提取和识别。 5. **实时视频处理**：OpenCV不仅可以处理静态图片，还可以实时处理来自摄像头的视频流。通过`cv2.VideoCapture()`可以打开摄像头，然后在每一帧上应用前面提到的检测和识别算法。 6. **眼睛识别**：OpenCV同样可以用来检测和识别眼睛。这通常需要一个专门的级联分类器，比如`haarcascade_eye.xml`，可以作为人脸识别的一部分，或者单独使用，例如在疲劳驾驶检测系统中。 7. **AI集成**：随着深度学习的发展，OpenCV也开始支持DNN模块，可以利用预训练的深度学习模型（如FaceNet或MTCNN）进行更高级的人脸识别和关键点检测。这涉及到模型的加载、输入图像的预处理、前向传播计算以及结果的解码。 8. **优化和性能**：为了提高处理速度，可以使用多线程、GPU加速或其他硬件加速技术。OpenCV还提供了优化的接口，如Intel的IPP库，以利用现代处理器的并行计算能力。通过以上知识，我们可以构建一个完整的人脸识别系统，从捕获图像或视频开始，经过人脸检测、特征提取，直至最终的人脸识别，同时还可以扩展到其他面部特征的识别，如眼睛、嘴巴等。对于开发者来说，掌握OpenCV的这些功能是提升AI应用开发能力的关键步骤。

资源推荐

资源详情

资源评论

收起资源包目录

opencv人脸识别（图片，视频）.zip （3个子文件）

opencv人脸识别（图片，视频）

haarcascade_frontalface_default.xml 908KB

haarcascade_eye.xml 333KB

opcv.py 3KB

import cv2 import sys # img = cv2.imread("photo.jpg") # # img = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY) # # cv2.imshow("image",img) # # cv2.waitKey(0) # # cv2.destroyAllWindows() # # # 画线 # green = (0, 255, 0) # # cv2.line(img,(0,0),(300,300),green,3) # # cv2.imshow("image",img) # # cv2.waitKey(0) # # cv2.destroyAllWindows() # # # 画矩形 # # cv2.rectangle(img,(50,100),(150,200),green,5) # # cv2.imshow("image",img) # # cv2.waitKey(0) # # cv2.destroyAllWindows() # # 画圆 # cv2.circle(img, (150, 150), 100, green, 3) # cv2.imshow("image", img) # cv2.waitKey(0) # cv2.destroyAllWindows() # cv2.imwrite("tt.jpg", img) # 图片中的人脸检测 pathf = r'haarcascade_frontalface_default.xml' pathe = r'haarcascade_eye.xml' # # # 获取训练好的人脸的参数数据，这里直接从GitHub上使用默认值 face_cascade = cv2.CascadeClassifier(pathf) eye_cascade = cv2.CascadeClassifier(pathe) # # # 读取图片 # image = cv2.imread(r"足球队员.jpg") # # 将读取的图像转换成了 cv2.COLOR_BGR2GRAY格式 # gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY) # # # 探测图片中的人脸 # faces = face_cascade.detectMultiScale( # gray, # scaleFactor=1.15, # minNeighbors=5, # minSize = (5, 5), # ) # # # print("发现{0}个人脸!".format(len(faces))) # # for (x,y,w,h) in faces: # # cv2.circle(image,((x+x+w)//2,(y+y+h)//2),w//2,(0,255,0),2) # # cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2) # face_re = image[y:y+h, x:x+h] # face_re_g = gray[y:y+h, x:x+h] # eyes = eye_cascade.detectMultiScale(face_re_g) # # for(ex,ey,ew,eh) in eyes: # # cv2.rectangle(face_re,(ex,ey),(ex+ew,ey+eh),(255,0,0),1) # # cv2.imshow("Find Faces!",image) # cv2.imwrite("tt.jpg", image) # # cv2.waitKey(0) # 检测摄像头中的人脸 if __name__ == "__main__": cap = cv2.VideoCapture(0) video_w, video_h = int(cap.get(3)), int(cap.get(4)) print(video_h, video_w) while True: # 获取当前帧并初始化occupied/unoccupied文本 (grabbed, frame) = cap.read() gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY) # 探测图片中的人脸 faces = face_cascade.detectMultiScale( gray, scaleFactor=1.15, minNeighbors=5, minSize = (5, 5), ) print("发现{0}个人脸!".format(len(faces))) for (x,y,w,h) in faces: cv2.circle(frame,((x+x+w)//2,(y+y+h)//2),w//2,(0,255,0),2) # cv2.rectangle(frame,(x,y),(x+w,y+w),(0,255,0),2) face_re = frame[y:y+h, x:x+h] face_re_g = gray[y:y+h, x:x+h] eyes = eye_cascade.detectMultiScale(face_re_g) for(ex,ey,ew,eh) in eyes: cv2.rectangle(face_re,(ex,ey),(ex+ew,ey+eh),(255,0,0),1) cv2.imshow("摄像头", frame) k = cv2.waitKey(1) & 0xff if k == ord('q') or k == 27: break cap.release()

评论收藏

内容反馈