opencv实现图片及视频流（摄像头）的人脸检测

本文将实现opencv的人脸检测，首先从最简单的图片检测人脸开始。

在opencv中，主要有 Haar特征和 LBP特征进行人脸检测。

opencv自带训练好的分类器，在源码的data目录下有“lbpcascades”，“haarcascades”，“hogcascades”三个文件夹，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。"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。如，在“haarcascades”下是大量的针对不同目标的训练文件，如下：

从文件名也大概能看出各个文件主要用途。

人脸检测器（默认）：haarcascade_frontalface_default.xml
人脸检测器（快速Harr）：haarcascade_frontalface_alt2.xml
人脸检测器（侧视）：haarcascade_profileface.xml
眼部检测器（左眼）：haarcascade_lefteye_2splits.xml
眼部检测器（右眼）：haarcascade_righteye_2splits.xml
嘴部检测器：haarcascade_mcs_mouth.xml
鼻子检测器：haarcascade_mcs_nose.xml
身体检测器：haarcascade_fullbody.xml
人脸检测器（快速LBP）：lbpcascade_frontalface.xml

本文中，我们将利用“haarcascade_frontalface_alt2.xml”对上面图片进行人脸检测。

首先，应用“CascadeClassifier”实例化

CascadeClassifier faceCascade;

加载分类器：

bool CascadeClassifier::load( const String& filename )

人脸检测：

void CascadeClassifier::detectMultiScale( InputArray image,
                      CV_OUT std::vector<Rect>& objects,
                      double scaleFactor,
                      int minNeighbors, int flags,
                      Size minSize,
                      Size maxSize )

各参数如下：

InputArray image: 需要被检测的图像（灰度图）
vector<Rect>& objects: 保存被检测出的人脸位置坐标序列
double scaleFactor: 每次图片缩放的比例
int minNeighbors: 每一个人脸至少要检测到多少次才算是真的人脸
int flags：决定是缩放分类器来检测，还是缩放图像
Size minSize: 表示人脸的最小尺寸
Size maxSize: 表示人脸的最大尺寸

一、图片中的人脸检测

代码实现：

#include<opencv2/objdetect/objdetect.hpp>  
#include<opencv2/highgui/highgui.hpp>  
#include<opencv2/imgproc/imgproc.hpp>  
  
using namespace cv;  
using namespace std;
  
CascadeClassifier faceCascade;  
  
int main()  
{  
    faceCascade.load("/root/library/opencv/opencv-3.4.0/data/haarcascades/haarcascade_frontalface_alt2.xml");    //加载分类器
  
    Mat img = imread("myImage.JPEG");      // 载入图片
    Mat imgGray;  
    vector<Rect> faces;  
  
    if(img.empty())     
    {  
      return 1;  
    }  
  
    if(img.channels() ==3)  
    {  
       cvtColor(img, imgGray, CV_RGB2GRAY);      // RGB转化为灰度
    }  
    else  
    {  
       imgGray = img;      // 不转化
    }  
  
    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
       }  
    }  
  
    imshow("FacesOfPrettyGirl", img);      // 显示图片
  
    waitKey(0);  
    return 0;  
}

编译运行：

二、视频（摄像头）中的人脸检测

视频中的人脸检测跟图片类似，一样的过程。

可将视频看作是一帧帧的图片，对每一帧进行上述的图片检测即可，不断循环。

代码实现：

#include<opencv2/objdetect/objdetect.hpp>  
#include<opencv2/highgui/highgui.hpp>  
#include<opencv2/imgproc/imgproc.hpp>  
#include <iostream>

using namespace cv;  
using namespace std;
  
CascadeClassifier faceCascade;  
  
int main()  
{  
    faceCascade.load("/root/library/opencv/opencv-3.4.0/data/haarcascades/haarcascade_frontalface_alt2.xml");

	VideoCapture capture;
	capture.open(1);    // 打开摄像头
//      capture.open("video.avi");    // 打开视频
	if(!capture.isOpened())
	{
	  cout << "open camera failed. " << endl;
	  return -1;
	}

    Mat img, imgGray;
    vector<Rect> faces;
	while(1)
	{
		capture >> img;    // 读取图像至img
		if(img.empty())	
		{
			continue;
		}

		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);	
		   }  
		}  
		
		imshow("CamerFace", img);      // 显示
		
		if(waitKey(1) > 0)		// delay ms 等待按键退出
		{
			break;
		}
	}
  
    return 0;  
}

编译运行：

视频有点卡顿，后续优化。

优化参考：

博客：【opencv视频流（摄像头）的人脸检测的优化】

备注：参考博客 http://blog.csdn.net/lsq2902101015/article/details/47057081 http://blog.csdn.net/chaipp0607/article/details/54234663

opencv实现图片及视频流（摄像头）的人脸检测

猜你喜欢