OpenCV For iOS(四.上): 人脸检测及分类器的训练


概述:本节主要介绍OpenCV中的人脸检测,以及在视频流中一个取巧的处理方式;同时简要介绍一个更高性能的人脸检测方案;


  • 人脸检测原理;
  • detectMultiScale 函数;
  • 人脸识别简单实现;
  • 高性能检测方式;
  • 分类器的训练;

一. 人脸检测原理:

通过Haar/LBP特征来识别是否为人脸。特征分类器就是一个XML文件,该文件中会描述人脸的特征值。当然特征值的用途可不止可以用来描述人脸这一种,用来描述眼睛,嘴唇或是其它物体也是可以的。

二. detectMultiScale:

detectMultiScale函数原型:

 void detectMultiScale( const Mat& image,
            CV_OUT vector<Rect>& objects,
                  double scaleFactor=1.1,
                      int minNeighbors=3, 
                             int flags=0,
                     Size minSize=Size(),
                     Size maxSize=Size() 
);
/*
* image:        输入图像,使用灰度图以加快检测速度;
* objects:      检测结果输出集合;
* scaleFactor:  前后两次相继的扫描中,搜索窗口的比例系数。默认为1.1即每次搜索窗口依次扩大10%
* minNeighbors: 构成检测目标的相邻矩形的最小个数(默认为3个)。如果组成检测目标的小矩形的个数和小于 min_neighbors - 1 都会被排除。如果min_neighbors 为 0, 则函数不做任何操作就返回所有的被检候选矩形框,这种设定值一般用在用户自定义对检测结果的组合程序上。
* flags:        0;
* minSize:      测窗口的最小值,如果检测结果又很多较小的错误轮廓.可尝试加大minSize
* maxSize:     测窗口的最大值
*/

三.简单实现:

 cv::CascadeClassifier faceCascade;
  ...
  ...
// 加载特征文件
    NSString* filename = [[NSBundle mainBundle]
                          pathForResource:@"haarcascade_frontalface_alt" ofType:@"xml"];

    faceCascade.load([filename UTF8String]);
    
 // 加载有人脸的示例图片
    NSString* filePath = [[NSBundle mainBundle]
                          pathForResource:@"lena" ofType:@"png"];
    UIImage* image = [UIImage imageWithContentsOfFile:filePath];

    cv::Mat cvImage;
    UIImageToMat(image, cvImage);
   
// 存储检测结果
    std::vector<cv::Rect> faces;
    
    cv::Mat cvGrayImage;
    cvtColor(cvImage, cvGrayImage, CV_BGR2GRAY);
    faceCascade.detectMultiScale(cvGrayImage, faces, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, cv::Size(30,30));
// 绘制结果
    for(int i = 0; i < faces.size(); i++)
    {
        const cv::Rect& currentFace = faces[i];
        //计算轮廓位置
        cv::Point upLeftPoint(currentFace.x, currentFace.y);
        cv::Point bottomRightPoint = upLeftPoint + cv::Point(currentFace.width, currentFace.height);
// 画圆
//        cv::circle(<#cv::Mat &img#>, <#Point center#>, <#int radius#>, <#const Scalar &color#>)
//画矩形
        cv::rectangle(cvImage, upLeftPoint, bottomRightPoint, cv::Scalar(255,0,255), 4, 8, 0);
//标准文字
//        cv::putText(<#cv::Mat &img#>, <#const string &text#>, <#Point org#>, <#int fontFace#>, <#double fontScale#>, <#Scalar color#>)
    }
    imageView.image = MatToUIImage(cvImage);

四.高性能检测方式:

  • 更高性能的实现
    ,目前有一套纯C的实现,参考:https://github.com/ShiqiYu/libfacedetection
    对比如下:
  • 视频流中的人脸实时检测优化
    对于视频流中的人脸实时检测,给出一个取巧的方式,开启一个定时器,在视频流的回调中以一个较低的频率(比如10次/秒)获取帧图片监测人脸;在做卡片的边界识别时,我采用的是10次/秒的取样率,同时绘制线的频率也是10次/秒,效果基本看不出任何卡顿和飘移现象;
  • 尽量选用LBP分类器

Cascade Classi er may be too slow for real-time processing, especially on a mobile device. But there are several ways to improve the situation. First of all, please note that downscaling an image may not help, as the detectMultiScale method builds a pyramid of scales depending on minSize and maxSize parameters. But you can tweak these parameters to achieve better performance. Start from increasing the value of the rst parameter. Next, you can try to increase the scaleFactor parameter. Try to use values such as 1.2 or 1.3, but please note that it may negatively affect the quality of detection!
   Apart from parameter tuning, you can try more radical methods. First of all, check if LBP- based cascade is available for your objects (http://bit.ly/3848_LBPCascades). Local Binary Patterns (LBP) features use integer arithmetic; thus they are more ef cient and the detector usually works 2-3 times faster than using classic Haar-features (they use oating- point calculations). Finally, you can try to skip the frames in the video stream and track objects with Optical Flow between detections.

上述引用官方的说法,大概意思是说:
1.可以调大 scaleFactor 参数,取得性能的提升;
2.使用LBP,LBP使用了 integer arithmetic,性能可达到Haar-features的2-3倍;
3.缩放图片源对性能几乎没有帮助;

五.分类器的训练:

这个还没具体训练过,正好在Naotoshi Seo看到,先记录一下,来日再做吧;

分类器的训练方法

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 223,207评论 6 521
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 95,455评论 3 400
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 170,031评论 0 366
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 60,334评论 1 300
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 69,322评论 6 398
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 52,895评论 1 314
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 41,300评论 3 424
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 40,264评论 0 277
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 46,784评论 1 321
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,870评论 3 343
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,989评论 1 354
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 36,649评论 5 351
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 42,331评论 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,814评论 0 25
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,940评论 1 275
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 49,452评论 3 379
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,995评论 2 361

推荐阅读更多精彩内容