Opencv中的深度学习(人脸检测、车牌检测、DNN)

首先，无论是做检测还是DNN图像分类，所有的模型或配置文件都需要从以下三个网站中下载IT大牛们帮我们创建的各种分类器：

# 人脸检测
''' https://github.com/opencv/opencv/tree/master/data/haarcascades '''
# googlenet caffemodel权重文件
''' http://dl.caffe.berkeleyvision.org/ '''
# googlenet caffemodel配置文件
''' https://github.com/opencv/opencv_extra/tree/master/testdata/dnn ''' 

下面将会围绕三个主要例子进行讲解，代码可直接copy：

1. 人脸检测之哈尔（Haar）级联法：对完整脸部的有较好的检测效果，但对于不完整脸部识别效果差，这是传统算法的缺陷所在，泛化能力比较差。

函数参数：detectMultiScale（img，scaleFactor，minNeighbors）

• scaleFactor：缩放尺寸。

• minNeighbors：最小像素值。

代码案例(以视频流为例)：

import cv2
# 创建Haar级联器
facer = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
cap = cv2.VideoCapture(0)
while (1):
# get a frame
ret, frame = cap.read()
# 调用接口
faces = facer.detectMultiScale(frame, 1.1, 5)
for (x, y, w, h) in faces:
cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)
cv2.imshow('img', frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()

Haar级联器还可以对脸部中细节特征进行识别，比如对眼睛进行检测(以图像为例)：

import cv2
# 创建Haar级联器
facer = cv2.CascadeClassifier('./haarcascades/haarcascade_frontalface_default.xml')
eyer = cv2.CascadeClassifier('./haarcascades/haarcascade_eye.xml')
img = cv2.imread('p3.png')
# 调用接口
faces = facer.detectMultiScale(img , 1.1, 5)
i = 0
for (x,y,w,h) in faces:
cv2.rectangle(img, (x,y), (x+w, y+h), (0,0,255), 2)
ROI_img = img[y:y+h, x:x+w]
eyes = eyer.detectMultiScale(ROI_img, 1.1, 5)
for (x,y,w,h) in eyes:
cv2.rectangle(ROI_img, (x,y), (x+w, y+h), (0,255,0), 2)
i += 1
name = 'img'+str(i)
cv2.imshow(name, ROI_img)
cv2.waitKey()

 2. Haar+Tesseract 车牌检测：

• Haar级联器仅用于定位车牌的位置。精度还是很不错的。
• Tesseract用于提取其中的内容，但其精度要逊色与OCR。tesseract是Python的一个OCR(光学字符识别)库。tesseract的exe下载路径为：https://github.com/UB-Mannheim/tesseract/wiki 安装成功后会在相应磁盘下有Tesseract-OCR文件夹。
• 代码案例(以图像流为例)：

  import pytesseract
  # 创建Haar级联器
  carer = cv2.CascadeClassifier('./haarcascades/haarcascade_russian_plate_number.xml')
  img = cv2.imread('chinacar.jpeg')
  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  # 调用接口
  cars = carer.detectMultiScale(gray, 1.1, 3)
  for (x,y,w,h) in cars:
  cv2.rectangle(img, (x,y), (x+w, y+h), (0,0,255), 2)
  # 提取ROI
  roi = gray[y:y+h, x:x+w]
  # 二值化
  ret, roi_bin = cv2.threshold(roi, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
  # 文字识别
  pytesseract.pytesseract.tesseract_cmd = r"E:Tesseract_OCRtesseract.exe"
  text = pytesseract.image_to_string(roi, lang='chi_sim+eng',config='--psm 8 --oem 3')
  print(text)
  cv2.putText(img, text, (20,100), cv2.FONT_HERSHEY_SIMPLEX, 2, (0,255,255), 3)
  cv2.imshow('img', img)
  cv2.waitKey()

 3. DNN图像分类

• Opencv中的DNN尽可以支持检测，但不能训练。

• DNN使用步骤：

  • 读取模型，得到网络结构：readNet（model，[config]）

  • 读取数据（图片或视频）。

  • 将图片转成张量：blobFromImage（image，scalefactor，size，mean，swapRB，crop）

  • 送入网络：net.setInput（blob）

  • 模型输出结果：net.forward（）

• 使用案例：

  # 导入模型
  config = "./model/bvlc_googlenet.prototxt"
  model = "./model/bvlc_googlenet.caffemodel"
  net = dnn.readNetFromCaffe(config, model)
  # 加载图片，转成张量
  img = cv2.imread('./smallcat.jpeg')
  blob = dnn.blobFromImage(img, 1.0, (224,224), (104,117,123))
  # 模型推理
  net.setInput(blob)
  r = net.forward()
  idxs = np.argsort(r[0])[::-1][:5]
  # 分类结果展示
  path = './model/synset_words.txt'
  with open(path, 'rt') as f:
  classes = [x[x.find(" ")+1:]for x in f]
  for (i, idx) in enumerate(idxs):
  # 将结果展示在图像上
  if i == 0:
  text = "Label: {}, {:.2f}%".format(classes[idx],
  r[0][idx] * 100)
  cv2.putText(img, text, (5, 25),
  cv2.FONT_HERSHEY_SIMPLEX,
  0.7, (0, 0, 255), 2)
  # 显示图像
  cv2.imshow("Image", img)
  cv2.waitKey(0)

最后

以上就是踏实大碗为你收集整理的Opencv中的深度学习(人脸检测、车牌检测、DNN)的全部内容，希望文章能够帮你解决Opencv中的深度学习(人脸检测、车牌检测、DNN)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。