python+opencv之视频人脸识别

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

 #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_frontalface_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_frontalface_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_16819007.shtml

最后

以上就是热情黄豆为你收集整理的python+opencv之视频人脸识别的全部内容，希望文章能够帮你解决python+opencv之视频人脸识别所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。