计算机视觉应用实战（OpenCV）（微课版） 课件 第8章 人脸检测

人脸检测第8章0学习目标1.项目介绍2.理论基础3.项目实现附：计算机视觉应用场景学习目标人脸检测了解人脸检测算法；了解目标检测任务与特征工程；了解级联分类器；掌握OpenCV中的人脸检测算法。学习目标1.项目介绍人脸检测在计算机视觉中，人脸检测一直是热门方向，它在安防监控、人证比对、人机交互、社交娱乐等方面都有很广泛的应用和很高的商业价值。人脸检测属于目标检测任务的一种，它的算法目的是找出图像中所有的人脸对应的位置，算法的输出是人脸外接矩形在图像中的坐标（部分较复杂的算法还包括姿态如倾斜角度等信息）。在本项目中，我们主要将了解OpenCV中人脸检测算法的原理与使用。在OpenCV中，人脸检测功能内置的是基于Haar特征的级联分类器，是一种由多个弱分类器联合起来协作处理较为复杂的特征识别任务的强分类器，暨人脸检测算法三阶段中的集成算法。它具有识别准确率高，运行成本较低，模型易于理解等优点。在本章内容中我们将对此级联分类器作系统的学习了解。1.项目介绍2.理论基础人脸检测滑动窗口法的主要要素包括以下几点：•窗口尺寸（windowsize）：选定的窗口尺寸决定了筛选区域的大小，在实战中我们可以根据输入图像的像素尺寸和目标物体的大小来决定滑窗的尺寸，也可以多设置几个不同尺寸的滑窗确保图片中不同像素尺寸的目标物体都被检测到。•滑动步长（stride）：滑动步长是指滑窗遍历整幅图像时每次移动的距离，通常来说步长要小于滑窗边长尺寸，步长越小滑窗移动速度越慢，相对应的遍历精度越高，计算量越多，算法运行时间越长。•候选区域（patch）：候选区域指的是被滑窗选中的目标区域，在后续算法中将被纳入种类判定。•遍历：OpenCV中的滑动窗口遍历遵循从左至右，从上至下的顺序，如图所示，虚线框为滑窗前一刻的位置，实线框为滑窗当前步骤的位置。2.1滑动窗口法人脸检测Haar特征是一种适用于人脸结构的图像特征描述子，Haar特征分为边缘特征、线性特征、中心特征和对角线特征，这几种特征都有各自对应的特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。2.2Haar特征与积分图人脸检测Adaboost分类器是由多个弱分类器集成的强分类器，其基本结构如右图所示，它主要有如下特点：•在AdaBoost集成了多个弱分类器，使用集成分类器不仅能够很好地综合各分类器的优点，也能有效提升检测的准确度。•弱分类器实现特征的选择，在设计弱分类器时，仅考虑一维特征，在级联迭代中每轮迭代选择拟合误差最小的弱分类器作为本轮迭代主导分类器，其对应的维度就是该轮迭代选择的主特征。•通过足够次数的迭代，多个弱分类器最终被构建为Adaboost强分类器，自动实现了特征选择。•Adaboost有二元分类也有多元分类，二元分类和多元分类的区别主要在弱分类器的系数设置上。•Adaboost不仅能用于分类，也能用于回归，只需调整输出层即可。•Adaboost分类精度高、构造简单易于理解，并且可在集成框架下使用不同的分类器模型来构建弱学习器，较为灵活。2.3Adaboost级联分类器3.项目实现人脸检测本项目主要利用python和OpenCV3.0完成一个简单的人脸检测系统，系统实现了从视频中检出（同一画面内一个或多个）人脸的功能。项目中使用了OpenCV中视频处理和图像处理函数，并且调用了OpenCV中的人脸检测函数detectMultiScale()来进行不同大小的多重人脸识别，最后使用OpenCV的几何绘制功能将检测到的人脸位置用矩形框标示出以达到展示目的。3.1项目内容人脸检测本项目主要分为以下几步：配置模型参数：使用类内初始化函数__init__配置类内属性和参数。应用检测算子：处理输入函数，并使用OpenCV中检测函数detectMultiScale()按帧捕捉图像内的人脸。输出检测结果：根据识别到的结果参数，使用OpenCV中基础几何绘制函数绘制对应的人脸位置方框并在图像中显示。3.2项目步骤对一段包含多人动作视频的人脸检测效果如图所示。3.3项目效果人脸检测应用实例：人脸识别的应用场景