opencv人臉識(shí)別源代碼分享 - 全文

　　對(duì)人類來說，人臉識(shí)別很容易僅僅是才三天的嬰兒已經(jīng)可以區(qū)分周圍熟悉的人臉了。那么對(duì)于計(jì)算機(jī)來說，到底有多難？其實(shí)，迄今為止，我們對(duì)于人類自己為何可以區(qū)分不同的人所知甚少。是人臉內(nèi)部特征（眼睛、鼻子、嘴巴）還是外部特征（頭型、發(fā)際線）對(duì)于人類識(shí)別更有效？

　　自動(dòng)人臉識(shí)別就是如何從一幅圖像中提取有意義的特征，把它們放入一種有用的表示方式，然后對(duì)他們進(jìn)行一些分類?；趲缀翁卣鞯娜四樀娜四樧R(shí)別可能是最直觀的方法來識(shí)別人臉。

　　人臉識(shí)別的第一步，就是人臉檢測(cè)。把人的臉部從一張照片中用計(jì)算機(jī)自動(dòng)識(shí)別出來，作為下一步人臉識(shí)別的基礎(chǔ)。

　　在opencv中，庫(kù)中自帶了一個(gè)利用harr特征的人臉檢測(cè)訓(xùn)練及檢測(cè)函數(shù)：cvHaarDetectObjects。它利用訓(xùn)練好的檢測(cè)器，在圖片中間檢測(cè)你想要的物體，如人臉。opencv自帶了很多檢測(cè)器，在%opencv%data/haarcascades目錄下，你可以隨意取用?；蛘吣阋部梢宰约河脠D片訓(xùn)練自己的檢測(cè)器，之后拿來使用。

　　如何來用OpenCV來實(shí)現(xiàn)能。

　　下面給出OpenCV實(shí)現(xiàn)人臉檢測(cè)的一般步驟：

　　1.加載人臉檢測(cè)器

　　2.開啟攝像頭

　　3.對(duì)圖片進(jìn)行灰度處理（其實(shí)可以不處理，上圖中原圖的標(biāo)題欄就是未進(jìn)行灰度處理進(jìn)行的檢測(cè)，這里的灰度是為下節(jié)人臉識(shí)別打基礎(chǔ)）

　　4.對(duì)圖片進(jìn)行直方圖均衡化（其實(shí)可以不處理，上圖中原圖的標(biāo)題欄就是未進(jìn)行灰度處理進(jìn)行的檢測(cè)和灰度圖是為進(jìn)行均衡化識(shí)別，這里的均衡化是為下節(jié)人臉識(shí)別打基礎(chǔ)）

　　5.人臉檢測(cè)

　　總結(jié)下，如果單單只要人臉檢測(cè)，可以的步驟是1，2，5

　　程序截圖如下：

　　下面是完整的代碼，本代碼還有大量注釋，在此不再具體說明哪個(gè)函數(shù)有什么用。
?

　?。踓pp］ view plain copy#include 《opencv.hpp》

　　#include 《opencv2/core/core.hpp》

　　#include 《iostream》

　　using namespace cv;

　　void Pic2Gray（Mat camerFrame，Mat &gray）

　　{

　　//普通臺(tái)式機(jī)3通道BGR，移動(dòng)設(shè)備為4通道

　　if （camerFrame.channels（） == 3）

　　{

　　cvtColor（camerFrame， gray， CV_BGR2GRAY）;

　　}

　　else if （camerFrame.channels（） == 4）

　　{

　　cvtColor（camerFrame， gray， CV_BGRA2GRAY）;

　　}

　　else

　　gray = camerFrame;

　　}

　　int main（）

　　{

　　//加載Haar或LBP對(duì)象或人臉檢測(cè)器

　　CascadeClassifier faceDetector;

　　std：：string faceCascadeFilename = “haarcascade_frontalface_default.xml”;

　　//友好錯(cuò)誤信息提示

　　try{

　　faceDetector.load（faceCascadeFilename）;

　　}

　　catch （cv：：Exception e）{}

　　if （faceDetector.empty（））

　　{

　　std：：cerr 《《 “臉部檢測(cè)器不能加載 （”;

　　std：：cerr 《《 faceCascadeFilename 《《 “）！” 《《 std：：endl;

　　exit（1）;

　　}

　　//打開攝像頭

　　VideoCapture camera（0）;

　　while （true）

　　{

　　Mat camerFrame;

　　camera 》》 camerFrame;

　　if （camerFrame.empty（））

　　{

　　std：：cerr 《《 “無法獲取攝像頭圖像” 《《 std：：endl;

　　getchar（）;

　　exit（1）;

　　}

　　Mat displayedFrame（camerFrame.size（），CV_8UC3）;

　　//人臉檢測(cè)只試用于灰度圖像

　　Mat gray;

　　Pic2Gray（camerFrame， gray）;

　　//直方圖均勻化（改善圖像的對(duì)比度和亮度）

　　Mat equalizedImg;

　　equalizeHist（gray， equalizedImg）;

　　//人臉檢測(cè)用Cascade Classifier：：detectMultiScale來進(jìn)行人臉檢測(cè)

　　int flags = CASCADE_FIND_BIGGEST_OBJECT|CASCADE_DO_ROUGH_SEARCH; //只檢測(cè)臉最大的人

　　//int flags = CASCADE_SCALE_IMAGE; //檢測(cè)多個(gè)人

　　Size minFeatureSize（30， 30）;

　　float searchScaleFactor = 1.1f;

　　int minNeighbors = 4;

　　std：：vector《Rect》 faces;

　　faceDetector.detectMultiScale（equalizedImg， faces， searchScaleFactor， minNeighbors， flags， minFeatureSize）;

　　//畫矩形框

　　cv：：Mat face;

　　cv：：Point text_lb;

　　for （size_t i = 0; i 《 faces.size（）; i++）

　　{

　　if （faces［i］.height 》 0 && faces［i］.width 》 0）

　　{

　　face = gray（faces［i］）;

　　text_lb = cv：：Point（faces［i］.x， faces［i］.y）;

　　cv：：rectangle（equalizedImg， faces［i］， cv：：Scalar（255， 0， 0）， 1， 8， 0）;

　　cv：：rectangle（gray， faces［i］， cv：：Scalar（255， 0， 0）， 1， 8， 0）;

　　cv：：rectangle（camerFrame， faces［i］， cv：：Scalar（255， 0， 0）， 1， 8， 0）;

　　}

　　}

　　imshow（“直方圖均勻化”， equalizedImg）;

　　imshow（“灰度化”， gray）;

　　imshow（“原圖”， camerFrame）;

　　waitKey（20）;

　　}

　　getchar（）;

　　return 0;

　　}