opencv4.12_C++進行人臉檢測(Viola-Jones 人臉偵測法)
Opencv人臉檢測內建的是CascadeClassifier (級聯檢測)，採用Haar特徵。 透過正負樣本訓練得到級聯方程式 Haar-like Features 是一種量化描述影像特徵的方法，藉由定義不同的模板實踐邊緣特徵、線性特徵、中心或對角線特徵的計算。 例如人臉影像中，可直觀去感受到眼睛比雙頰顏色在深色一些，鼻樑兩側要比鼻樑顏色更深。 嘴巴比周圍顏色深諸如此類。如此我們可設計不同尺寸、角度的特徵模板進行計算。 在人臉偵測中Haar-like Features，它不直接判斷一個像素的顏色，而是比較影像中相鄰矩形區域的亮度差異，藉此描述人臉的局部結構。 例如，人臉通常具有以下明暗規律： 眼睛區域通常比臉頰暗。 眉毛通常比額頭暗。 鼻樑通常比鼻子兩側亮。 嘴巴通常比周圍皮膚暗。 一個 Haar 特徵通常由白色與黑色矩形區域組成，其特徵值可表示為： Haar特徵值=白色區域像素總和−黑色區域像素總和 如果這個差值符合訓練時所學到的人臉明暗關係，就可能被判定為人臉特徵。 Viola-Jones 人臉偵測法使用 積分影像，讓任意矩形區域的像素總和只需要查詢四個位置。 也就是從影像左上角到目前位置之間，所有像素值的總和。 對一個矩形區域，假設四個角的積分影像值為 A、B、C、D，矩形內像素總和可快速計算為： 矩形總和=D−B−C+A 因此，不論矩形有多大，都只需要少量加減法，這也是 Haar Cascade 能在 CPU 上快速執行的重要原因。 Haar 特徵與 AdaBoost 的關係 AdaBoost 的任務就是從大量 Haar 特徵中，挑選最有用的特徵。 每一個 Haar 特徵可以形成一個簡單的弱分類器： Haar Cascade 人臉偵測流程 將影像轉換為灰階影像。 建立積分影像。 使用不同大小的視窗掃描整張影像。 在每個視窗中計算 Haar 特徵。 使用 AdaBoost 選出的弱分類器進行判斷。 將弱分類器安排成多階段級聯結構。 任一階段未通過，就排除該視窗。 通過全部階段的區域，視為可能的人臉。 合併彼此重疊的人臉框，得到最終偵測結果。 C++程式碼 #include <opencv2/opencv.hpp> #include <iostream> #include <direct.h> // _getc...
