OpenCV项目实战---人脸检测 _OpenCV

OpenCV是一个强大的图像处理库，包含各种功能。人脸识别只是其众多应用的其中一个。

本篇文章与上一篇所讲述的知识有很大的重合，请按需观看。

理论知识

计算机的视觉系统，计算机通过摄像头看到的，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。

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，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。

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识别出来了。

Haar特征

Haar特征包含三种：边缘特征、线性特征、和中心围绕特征。

文章插图

文章插图

Haar特征提取流程图
在OpenCV人脸检测中， Haar特征分类器就是一个XML文件，该文件中会描述人体各个部位的Haar特征值。包括人脸、眼睛、嘴唇等等。

HOG （Histograms of Oriented Gradients）
对于一张待检测图片，我们分析每个像素以及其周围的像素，根据明暗度画一个箭头，箭头的指向代表了像素逐渐变暗的方向，如果我们重复操作每一个像素，最终像素会被箭头取代。这些箭头被称为梯度(gradients) ，它们能显示出图像从明亮到黑暗流动的过程。

文章插图

分析每个像素对我们来说太过细节化了，像素过多不利于整体的分析，我们应该从更高的角度观察明暗的流动。为此我们将图像分割成16x16像素的小方块。在每个小方块中，计算出每个主方向有多少个梯度（有多少指向上，指向右上，指向右等）。然后用指向性最强的那个方向箭头来代替原来那个小方块。

文章插图

最终结果，我们把原始图像转换成非常简单的HOG图像，它可以很轻松的捕获面部的基本结构。为了在HOG图像中找到脸部，我们需要做的是，与已知的一些HOG图案中，来寻找看起来最相似的部分。
这些HOG图案都是从其他面部训练数据中提取出来的。

级联分类器
对于本次的设计人脸检测，可以说是一次机器学习的过程。级联分类器中有一个级联分类函数，此函数当中的一些参数就是由机器训练得到的。对于人脸识别，计算机通过大量带人脸和不带人脸的图片，对人脸上的几万个特征，通过机器学习找出人脸分类效果最好、错误率最小的特征。训练开始时，所有训练集中的图片具有相同的权重，对于被分类错误的图片，提升权重，重新计算出新的错误率和新的权重。直到错误率或迭代次数达到要求。这种训练方法叫做Adaboost 。
上文提到的hog图像，正是由adaboost训练方法对大量图片进行训练后所提取出来的。

Cascade级联分类器
Cascade 译为级联，阶梯。cascade级联分类器是一种基于Haar特征的有效的物体检测方法。

一张图片绝大部分的区域都不是人脸。如果对一张图片的每个角落都提取6000个特征，将会浪费巨量的计算资源。
如果能找到一个简单的方法能够检测某个窗口是不是人脸区域，如果该窗口不是人脸区域，那么就只看一眼便直接跳过，也就不用进行后续处理了，这样就能集中精力判别那些可能是人脸的区域。为此，有人引入了Cascade 分类器。它不是将6000个特征都用在一个窗口，而是将特征分为不同的阶段，然后一个阶段一个阶段的应用这些特征(通常情况下，前几个阶段只有很少量的特征）。如果窗口在第一个阶段就检测失败了，那么就直接舍弃它，无需考虑剩下的特征。如果检测通过，则考虑第二阶段的特征并继续处理。如果所有阶段的都通过了，那么这个窗口就是人脸区域。