開發工具

Python版本：3.6.4

相關模塊：

cv2模塊；

以及一些Python自帶的模塊。

環境搭建

安裝Python并添加到環境變量，pip安裝需要的相關模塊即可。

原理簡介

簡單地講一講Haar分類器，也就是Viola-Jones識別器。

詳細的原理說明可參考相關文件中的兩篇論文：

Rapid Object Detection using a Boosted Cascade of Simple Features;

Robust Real-Time Face Detection.

（1）Haar-like特征

Haar-like矩形特征是用于物體檢測的數字圖像特征，由兩個或者多個相鄰的黑白矩形組合而成，矩形的特征值是白色矩形的灰度值之和減去黑色矩形的灰度值之和。一般地，我們認為矩形特征對一些簡單的圖形結構(線段、邊緣)等較為敏感：

具體到貓臉檢測而言，我們認為把這樣的矩形放到一個非貓臉區域后獲得的特征值與放到一個貓臉區域后獲得的特征值是不同的。

利用上述基于特征的檢測算法，不僅能夠編碼特定區域的狀態，而且效率高于基于像素的檢測算法。

（2）積分圖

下面我們來考慮一下如何計算矩形的特征值。對圖像中的任意一點A(x, y)，定義該點的積分圖為其左上角的所有像素值之和，即：

因此，要計算矩形模板的特征值，也就是計算兩個區域之間的像素和之差，只需要用特征區域端點的積分圖來進行簡單的加減運算就可以了：

（3）Haar分類器

Haar分類器是一個監督學習分類器，要進行目標檢測，首先要對圖像進行直方圖均衡化和歸一化處理，然后檢測里面是否包含要檢測的物體。

流程框架圖為(Haar分類器本質上由Haar特征提取器、離散強分類器以及強分類級聯器組成)：

Haar分類器使用Adaboost算法，但是把它組織為了篩選式的級聯分類器，在任意一級計算中，**一旦獲得輸入內容不在檢測類中的結論，便終止計算，只有通過所有級別的分類器，才可認為檢測到了目標物體，**以此來提高檢測效率。

關于AdaBoost算法，我就不展開介紹了，有興趣的同學可以自己查找相關資料進行學習。以后有時間我再對其進行詳細的介紹。

（4）適用范圍

適用于“基本剛性”的物體檢測，如臉、汽車、人體和自行車等等。

（5）總結

Viola-Jones目標檢測框架的核心思想是通過滑動窗口掃描圖像(多尺度的掃描)，然后將每個窗口的Haar特征值輸入到篩選式的級聯分類器中來判斷該窗口內是否含有目標物體以實現目標檢測。

具體實現

OpenCV中內置了基于Viola-Jones目標檢測框架的Haar分類器，并提供了貓臉檢測預訓練好的模型。因此實現起來十分簡單。

具體實現過程詳見相關文件中的源代碼。

效果演示

使用方式：

修改源代碼中的圖片名為自己需要檢測的圖片：

在cmd窗口運行DetectCatFace.py文件即可。

效果：

原圖1：

檢測結果1：

原圖2：

檢測結果2（并不能很好地區分狗狗和貓咪）：

到此這篇關于Python實戰之OpenCV實現貓臉檢測的文章就介紹到這了,更多相關OpenCV實現貓臉檢測內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！