python+opencv之视频人脸识别

python+opencv之视频人脸识别
2010年06月30日
　　import sys  
　　from CVtypes import cv        
　　def detect(image):  
　　image_size = cv.GetSize(image)  
　　# create grayscale version  
　　grayscale = cv.CreateImage(image_size, 8, 1)  
　　cv.CvtColor(image, grayscale, cv.BGR2GRAY)  
　　# create storage  
　　storage = cv.CreateMemStorage(0)     
　　cv.ClearMemStorage(storage)  
　　# equalize histogram  
　　cv.EqualizeHist(grayscale, grayscale)  
　　# detect objects  
　　cascade = cv.LoadHaarClassifierCascade('haarcascade_frontalface_alt.xml', cv.Size(1,1))  
　　faces = cv.HaarDetectObjects(grayscale, cascade, storage, 1.2, 2, cv.HAAR_DO_CANNY_PRUNING, cv.Size(350, 350))  
　　print faces     
　　if faces:  
　　print 'face detected!'  
　　for i in faces:  
　　cv.Rectangle(image, cv.Point( int(i.x), int(i.y)),  
　　cv.Point(int(i.x + i.width), int(i.y + i.height)),  
　　cv.RGB(0, 255, 0), 3, 8, 0)  
　　if __name__ == "__main__":  
　　print "OpenCV version: %s (%d, %d, %d)" % (cv.VERSION,  
　　cv.MAJOR_VERSION,  
　　cv.MINOR_VERSION,  
　　cv.SUBMINOR_VERSION)  
　　print "Press ESC to exit ..."     
　　# create windows  
　　cv.NamedWindow('Camera', cv.WINDOW_AUTOSIZE)  
　　# create capture device  
　　device = 0 # assume we want first device  
　　capture = cv.CreateCameraCapture(-1)  
　　cv.SetCaptureProperty(capture, cv.CAP_PROP_FRAME_WIDTH, 640)  
　　cv.SetCaptureProperty(capture, cv.CAP_PROP_FRAME_HEIGHT, 480)     
　　# check if capture device is OK  
　　if not capture:  
　　print "Error opening capture device"  
　　sys.exit(1)                 
　　while 1:  
　　# do forever     
　　# capture the current frame  
　　frame = cv.QueryFrame(capture)  
　　if frame is None:  
　　break     
　　# mirror  
　　cv.Flip(frame, None, 1)     
　　# face detection  
　　detect(frame)  
　　# display webcam image  
　　cv.ShowImage('Camera', frame)  
　　# handle events  
　　k = cv.WaitKey(10)     
　　if k == 0x1b: # ESC  
　　print 'ESC pressed. Exiting ...'  
　　break  
　　import sys from CVtypes import cv def detect(image): image_size = cv.GetSize(image) # create grayscale version grayscale = cv.CreateImage(image_size, 8, 1) cv.CvtColor(image, grayscale, cv.BGR2GRAY) # create storage storage = cv.CreateMemStorage(0) cv.ClearMemStorage(storage) # equalize histogram cv.EqualizeHist(grayscale, grayscale) # detect objects cascade = cv.LoadHaarClassifierCascade('haarcascade_frontalf ace_alt.xml', cv.Size(1,1)) faces = cv.HaarDetectObjects(grayscale, cascade, storage, 1.2, 2, cv.HAAR_DO_CANNY_PRUNING, cv.Size(350, 350)) print faces if faces: print 'face detected!' for i in faces: cv.Rectangle(image, cv.Point( int(i.x), int(i.y)), cv.Point(int(i.x + i.width), int(i.y + i.height)), cv.RGB(0, 255, 0), 3, 8, 0) if __name__ == "__main__": print "OpenCV version: %s (%d, %d, %d)" % (cv.VERSION, cv.MAJOR_VERSION, cv.MINOR_VERSION, cv.SUBMINOR_VERSION) print "Press ESC to exit ..." # create windows cv.NamedWindow('Camera', cv.WINDOW_AUTOSIZE) # create capture device device = 0 # assume we want first device capture = cv.CreateCameraCapture(-1) cv.SetCaptureProperty(capture, cv.CAP_PROP_FRAME_WIDTH, 640) cv.SetCaptureProperty(capture, cv.CAP_PROP_FRAME_HEIGHT, 480) # check if capture device is OK if not capture: print "Error opening capture device" sys.exit(1) while 1: # do forever # capture the current frame frame = cv.QueryFrame(capture) if frame is None: break # mirror cv.Flip(frame, None, 1) # face detection detect(frame) # display webcam image cv.ShowImage('Camera', frame) # handle events k = cv.WaitKey(10) if k == 0x1b: # ESC print 'ESC pressed. Exiting ...' break
　　#需要下载CVtypes.py 及haarcascade_frontalface_alt.xml
　　前言
　　关于opencv
　　OpenCV 是 Intel 开源计算机视觉库 (Computer Version) 。它由一系列 C 函数和少量 C++ 类构成，实现了图像处理和计算机视觉方面的很多通用算法。 
　　OpenCV 拥有包括 300 多个 C 函数的跨平台的中、高层 API 。它不依赖于其它的外部库 -- 尽管也可以使用某些外部库。 OpenCV 对非商业应用和商业应用都是免费 的。同时 OpenCV 提供了对硬件的访问，可以直接访问摄像头，并且 opencv 还提供了一个简单的 GUI(graphics user interface) 系统 :highgui 。 我们就通过 OpenCV 提供的一些方法来构造出这个人脸检测（ face detection ） 程序来。 
　　opencv的python包装
　　OpenCV 本身是有 C/C++ 编写的，如果要在其他语言中使用，我们可以通过对其动态链接库文件进行包装即可，幸运的是， Python 下有很多个这样的包装，本文中使用的是 Cvtypes 。 
　　事实上，在 Python 中很多的包都是来自第三方的，比如 PIL(Python Image Library) 即为 C 语言实现的一个图形处理包，被包装到了 Python 中，这些包装可以让你像使用 Python 的内建函数一样的使用这些 API 。 
　　人脸检测原理
　　人脸检测属于目标检测(object detection) 的一部分，主要涉及两个方面
　　先对要检测的目标对象进行概率统计，从而知道待检测对象的一些特征，建立起目标检测模型。 
　　用得到的模型来匹配输入的图像，如果有匹配则输出匹配的区域，否则什么也不做。 
　　计算机视觉
　　计算机的视觉系统，跟人的眼睛是大不相同的，但是其中也有类似之处。人眼之能够看到物体，是通过物体上反射出来的光线刺激人眼的感光细胞，然后视觉神经在大脑中形成物体的像。计算机通过摄像头看到的东西要简单的多，简单来说，就是一堆由数字组成的矩阵。这些数字表明了物体发出的光的强弱，摄像头的光敏元件将光信号转化成数字信号，将其量化为矩阵。
　　如何从这些数字中得出:"这是一个人脸"的结论，是一个比较复杂的事情。物理世界是彩色的，一般来说，计算机中的彩色图片都是由若干个色彩通道累积出来的，比如RGB模式的图片，有红色通道(Red)，绿色通道(Green)和蓝色通道 (Blue),这三个通道都是灰度图，比如一个点由8位来表示，则一个通道可以表示2^8=256个灰度。那样三个通道进行叠加以后可以表3*8=24位种色彩，也就是我们常说的24位真彩。
　　对这样的图片做处理，无疑是一件很复杂的事，所以有必要先将彩色图转为灰度图，那样可以减少数据量 (比如RGB模式，可以减少到原图片的1/3)，同时可以去掉一些噪声信号。先将图片转化为灰度图，然后将这个灰度图的对比度增高，这样可以使得图片本来暗的地方更暗，亮的地方更亮一些。这样处理以后，图片就更容易被算法设别出来了。
　　Harr特征级联表
　　OpenCV在物体检测上使用的是haar特征的级联表，这个级联表中包含的是boost的分类器。首先，人们采用样本的haar特征进行分类器的训练，从而得到一个级联的boost分类器。训练的方式包含两方面：
　　1.    正例样本，即待检测目标样本
　　2.    反例样本，其他任意的图片
　　首先将这些图片统一成相同的尺寸，这个过程被称为归一化，然后进行统计。一旦分类器建立完成，就可以用来检测输入图片中的感兴趣区域的检测了，一般来说，输入的图片会大于样本，那样，需要移动搜索窗口，为了检索出不同大小的目标，分类器可以按比例的改变自己的尺寸，这样可能要对输入图片进行多次的扫描。
　　什么是级联的分类器呢？级联分类器是由若干个简单分类器级联成的一个大的分类器，被检测的窗口依次通过每一个分类器，可以通过所有分类器的窗口即可判定为目标区域。同时，为了考虑效率问题，可以将最严格的分类器放在整个级联分类器的最顶端，那样可以减少匹配次数。
　　基础分类器以haar特征为输入，以 0/1为输出，0表示未匹配，1表示匹配。
　　Haar特征
　　在扫描待检测图片的时候，以边界特征中的(a)为例，正如前面提到的那样，计算机中的图片是一个数字组成的矩阵，程序先计算整个窗口中的灰度值x，然后计算矩形框中的黑色灰度值y，然后计算(x-2y)的值，得到的数值与x做比较，如果这个比值在某一个范围内，则表示待检测图片的当前扫描区域符合边界特征(a)，然后继续扫描。
　　关于这个算法的更详细描述已经超出了本文的范围，可以在参考资源中获得更多的信息。
　　非固定大小目标检测
　　因为是基于视频流的目标检测，我们事先不太可能知道要检测的目标的大小，这就要求我们的级联表中的分类器具有按比例增大(或者缩小)的能力，这样，当小的窗口移动完整个待检测图片没有发现目标时，我们可以调整分类器的大小，然后继续检测，直到检测到目标或者窗口与待检测图片的大小相当为止。
　　步骤一：图片预处理
　　在从摄像头中获得一个帧(一张图片)后，我们需要先对这张图片进行一些预处理：
　　将图片从RGB模式转为灰度图将灰度图 
　　进行灰度图直方图均衡化操作 
　　这两个步骤在OpenCV中是非常简单的：
　　image_size = cv.cvGetSize(image)#获取原始图像尺寸    
　　grayscale = cv.cvCreateImage(image_size, 8, 1)# 建立一个空的灰度图    
　　cv.cvCvtColor(image, grayscale, cv.CV_BGR2GRAY)#转换    
　　storage = cv.cvCreateMemStorage(0)#新建一块存储区，以备后用    
　　cv.cvClearMemStorage(storage)    
　　cv.cvEqualizeHist(grayscale, grayscale)# 灰度图直方图均衡化   
　　image_size = cv.cvGetSize(image)#获取原始图像尺寸
　　grayscale = cv.cvCreateImage(image_size, 8, 1)# 建立一个空的灰度图
　　cv.cvCvtColor(image, grayscale, cv.CV_BGR2GRAY)#转换
　　storage = cv.cvCreateMemStorage(0)#新建一块存储区，以备后用
　　cv.cvClearMemStorage(storage)
　　cv.cvEqualizeHist(grayscale, grayscale)# 灰度图直方图均衡化 
　　步骤二：检测并标记目标
　　OpenCV中，对于人脸检测的模型已经建立为一个XML文件，其中包含了上面提到的harr特征的分类器的训练结果，我们可以通过加载这个文件而省略掉自己建立级联表的过程。有了级联表，我们只需要将待检测图片和级联表一同传递给OpenCV的目标检测算法即可得到一个检测到的人脸的集合。
　　# detect objects    
　　cascade = cv.cvLoadHaarClassifierCascade('haarcascade_fronta lface_alt.xml',    
　　cv.cvSize(1,1))    
　　faces = cv.cvHaarDetectObjects(grayscale, cascade, storage, 1.2, 2,    
　　cv.CV_HAAR_DO_CANNY_PRUNING,    
　　cv.cvSize(50, 50))#设置最小的人脸为50*50像素    
　　if faces:    
　　print 'face detected here', cv.cvGetSize(grayscale)    
　　for i in faces:    
　　cv.cvRectangle(image, cv.cvPoint( int(i.x), int(i.y)),    
　　cv.cvPoint(int(i.x + i.width), int(i.y + i.height)),    
　　cv.CV_RGB(0, 255, 0), 1, 8, 0)#画一个绿色的矩形框   
　　# detect objects
　　cascade = cv.cvLoadHaarClassifierCascade('haarcascade_fronta lface_alt.xml',
　　cv.cvSize(1,1))
　　faces = cv.cvHaarDetectObjects(grayscale, cascade, storage, 1.2, 2,
　　cv.CV_HAAR_DO_CANNY_PRUNING,
　　cv.cvSize(50, 50))#设置最小的人脸为50*50像素
　　if faces:
　　print 'face detected here', cv.cvGetSize(grayscale)
　　for i in faces:
　　cv.cvRectangle(image, cv.cvPoint( int(i.x), int(i.y)),
　　cv.cvPoint(int(i.x + i.width), int(i.y + i.height)),
　　cv.CV_RGB(0, 255, 0), 1, 8, 0)#画一个绿色的矩形框 
　　步骤三：用highgui画出视频窗口
　　highgui.cvNamedWindow ('camera', highgui.CV_WINDOW_AUTOSIZE)    
　　highgui.cvMoveWindow ('camera', 50, 50)    
　　highgui.cvShowImage('camera', detimg)   
　　highgui.cvNamedWindow ('camera', highgui.CV_WINDOW_AUTOSIZE)
　　highgui.cvMoveWindow ('camera', 50, 50)
　　highgui.cvShowImage('camera', detimg)  
　　由于视频流是动态的，所以我们可以在程序的入口中使用一个无限循环，在循环中，每次从视频中读入一个帧，将这个帧传输给人脸检测模块，检测模块在这个帧上进行标记(如果有人脸的话)，然后返回这个帧，主程序拿到这个帧后，更新显示窗口。
　　opencv的其他特性
　　拉普拉斯边缘检测
　　def laplaceTransform(image):    
　　laplace = None   
　　colorlaplace = None   
　　planes = [None, None, None]    
　　image_size = cv.cvGetSize(image)    
　　if not laplace:    
　　for i in range(len(planes)):    
　　planes[i] = cv.cvCreateImage(image_size, 8, 1)    
　　laplace = cv.cvCreateImage(image_size, cv.IPL_DEPTH_16S, 1)    
　　colorlaplace = cv.cvCreateImage(image_size, 8, 3)    
　　cv.cvSplit(image, planes[0], planes[1], planes[2], None)    
　　for plane in planes:    
　　cv.cvLaplace(plane, laplace, 3)    
　　cv.cvConvertScaleAbs(laplace, plane, 1, 0)    
　　cv.cvMerge(planes[0], planes[1], planes[2], None, colorlaplace)    
　　colorlaplace.origin = image.origin    
　　return colorlaplace   
　　def laplaceTransform(image):
　　laplace = None
　　colorlaplace = None
　　planes = [None, None, None]
　　image_size = cv.cvGetSize(image)
　　if not laplace:
　　for i in range(len(planes)):
　　planes[i] = cv.cvCreateImage(image_size, 8, 1)
　　laplace = cv.cvCreateImage(image_size, cv.IPL_DEPTH_16S, 1)
　　colorlaplace = cv.cvCreateImage(image_size, 8, 3)
　　cv.cvSplit(image, planes[0], planes[1], planes[2], None)
　　for plane in planes:
　　cv.cvLaplace(plane, laplace, 3)
　　cv.cvConvertScaleAbs(laplace, plane, 1, 0)
　　cv.cvMerge(planes[0], planes[1], planes[2], None, colorlaplace)
　　colorlaplace.origin = image.origin
　　return colorlaplace  
　　结束语
　　OpenCV的功能十分强大，而且提供了大量的算法实现，文中涉及到的内容只是计算机视觉中很小的一部分。读者可以考虑将采集到的人脸进行标识，从而实现特定人的人脸识别。或者考虑将人脸检测移植到网络上，从而实现远程监控。试想一下，原来没有生命的机器，我们可以通过自己的思想，动作来使得它们看起来像是有思想一样，这件事本身就非常的有趣。
　　出处
　　http://www.360doc.com/content/10/0225/20/617416_16 819007.shtml