003 实战三：手把手教你实现物体识别1

实战三：手把手教你实现物体识别

一、基于 Haad+Adaboost 实现人脸识别

1.原理介绍（参考下面的博客文章）

http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html

Haar 分类器 = Haar-like 特征+积分图方法+AdaBoost+级联

Haar 分类器算法的要点如下：

a.使用 Haar-like 特征做检测

b.使用积分图(Integral Image)对 Haar-like 特征求值进行加速

c.使用 AdaBoost 算法训练区分人脸和非人脸的强分类器

判定该区域为人脸。

b.Haar-like 特征的表示

下面是 Viola 牛们提出的 Haar-like 特征。

下面是 Lienhart 等牛们提出的 Haar-like 特征。

这些所谓的特征不就是一堆堆带条纹的矩阵么，到底是干什么用的呢？

解释:将上面的任意一个矩形放到人脸区域上，然后，将白色区域的像素和减去

黑色区域的像素和，得到的值暂且称之为人脸特征值，如果你把这个矩形放到一

个非人脸区域，那么计算出的特征值和人脸特征值是不一样的，所以这些方块的

目的就是把人脸特征量化，以区分人脸和费人脸。

为了增加区分度，可以对多个矩形特征计算得到一个区分度更大的特征值，

积分图就是只遍历一次图像就可以求出图像中所有区域像素和的快速算法，

大大的提高了图像特征值计算的效率。

2.基于 Haad+Adaboost 实现人脸识别

（1）前期准备

准备一张人脸照片 face.jpg,并获取 opencv 自带的人脸检测器以及眼睛检

测器模块。

（2）整体步骤

a.加载 xml 文件

b.加载 jpg 图片

c.jpg 图片转灰度图

e.在图片中将人脸用矩形框起来

face_xml =

cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml')

# load jpg

img = cv2.imread('face.jpg')

cv2.imshow('src',img)

# haar gray

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# dect

# 1 人脸灰度图片数据 2 缩放系数 3 目标大小