在Visual Studio上，使用OpenCV实现人脸识别

1. 环境与说明

本文介绍了如何在Visual Studio上，使用OpenCV来实现人脸识别的功能

环境说明 :

  • 操作系统 : windows 10 64位
  • Visual Studio版本 : Visual Studio Community 2022 (社区版)
  • OpenCV版本 : OpenCV-4.8.0 (2023年7月最新版)

实现效果如图所示，识别到的人脸会用红框框出来 :

在这里插入图片描述

2. 配置Visual Studio环境

这部分详见我的另一篇博客 : Visual Studio 2022 cmake配置opencv开发环境

最终配置好后，能够在Visual Studio中正常调用OpenCV，运行CMake项目(C++程序)
在这里插入图片描述

3. 实现摄像头预览

这部分要用到VideoCapture这个类，VideoCapture既支持从视频文件读取，也支持直接从摄像机等监控器中读取，还可以读取 IP 视频流，要想获取视频需要先创建一个 VideoCapture 对象来打开相机，然后就可以来操作视频帧了。

我们将项目代码修改为如下内容

#include "OpenCVTest.h"
#include "opencv2/opencv.hpp"using namespace std;
using namespace cv;int main()
{VideoCapture capture;//打开相机，这个传入的相机ID为0capture.open(0);if (!capture.isOpened()){cout << "opencv打开摄像头失败!\n" << endl;return -1;}//Mat矩阵，用来存一张图片Mat frame;while (true){//从capture中取数据，将画面输出到frame矩阵里面capture >> frame; if (frame.empty()){cout << "读取摄像头数据失败\n" << endl;}imshow("摄像头", frame); //显示图像if (waitKey(30) == 27) //按下ESC键退出程序{break;}}return 0;
}

运行程序，效果如下所示

在这里插入图片描述

4. 转化为灰度图像

接下来我们需要将图片转化为灰度图，为什么要进行灰度化处理呢 ? 主要有以下几个作用，提高人脸识别的准确性和可靠性

  • 简化图像处理：灰度化可以将彩色图像转化为黑白图像，使得处理更加简单。彩色图像包含三个通道（红、绿、蓝），而灰度图像只有一个通道，使得处理更加快速和高效。
  • 消除颜色信息：人脸识别对于颜色信息并不是非常敏感，而更关注形状和轮廓等特征。因此，通过灰度化处理，可以消除颜色信息对于后续处理的影响。
  • 提高处理性能：灰度化处理可以减少计算量，提高处理性能。在人脸识别过程中，对每个像素进行颜色计算会消耗大量计算资源，而灰度化处理只需要对每个像素的亮度进行计算，减少了计算量。
  • 突出图像特征：灰度化处理可以突出图像中的边缘和纹理等特征。这些特征对于人脸识别非常关键，可以帮助算法更好地识别人脸。

进行灰度化处理我们需要调用void cvtColor( InputArray src, OutputArray dst, int code, int dstCn = 0 );，这里src是我们输入的图像，dst是我们要输出的图像，code需要传COLOR_BGR2GRAY，表示将BGR转化为灰度图。

要注意，在OpenCV中，是BGR排列方式，而不是RGB排列。

具体完整代码如下

#include "OpenCVTest.h"
#include "opencv2/opencv.hpp"using namespace std;
using namespace cv;int main()
{VideoCapture capture;capture.open(0);if (!capture.isOpened()){cout << "opencv打开摄像头失败!\n" << endl;return -1;}Mat frame; //摄像头彩色图像Mat grayFrame; //摄像头灰度图像while (true){//从capture中取数据，将画面输出到frame矩阵里面capture >> frame; if (frame.empty()){cout << "读取摄像头数据失败!\n" << endl;return -1;}imshow("摄像头", frame); //显示彩色图像//灰度化处理cvtColor(frame, grayFrame, COLOR_BGR2GRAY); //注意 : OpenCV中是BRGimshow("灰度化", grayFrame); //显示灰色图像if (waitKey(30) == 27) //ESC键{break;}}return 0;
}

运行程序，效果如下所示，左边的是彩色画面，右边的是黑白画面

在这里插入图片描述

5. 直方图均衡化处理

接着，要进行直方图均衡化处理，为什么要进行这一步操作呢 ? 主要有以下几个作用，提高人脸识别的准确性和可靠性

  • 提高对比度：直方图均衡化通过重新分布图像像素的灰度级，将原始图像中的灰度级分布变得更加均匀。这样做可以增强图像的对比度，使得人脸的特征更加清晰可见。
  • 消除光照变化：人脸识别中的一个挑战是光照变化对人脸图像的影响。直方图均衡化可以消除光照变化，使得人脸图像在不同光照条件下具有一致的亮度和对比度。
  • 提高图像质量：直方图均衡化可以改善图像的质量，去除图像中的噪声和伪影。这对于后续的人脸特征提取和匹配非常重要，可以提高人脸识别的准确性和鲁棒性。
  • 增强细节信息：直方图均衡化可以增强图像的细节信息，使得人脸图像中的纹理和特征更加明显。这对于人脸识别算法的性能至关重要，可以提高人脸识别的准确率和鲁棒性。

直方图均衡化处理需要调用void equalizeHist( InputArray src, OutputArray dst);，src是输入的图像，需要是单通道的灰度图，dst是我们输出的图像。

具体完整代码如下

#include "OpenCVTest.h"
#include "opencv2/opencv.hpp"using namespace std;
using namespace cv;int main()
{VideoCapture capture;capture.open(0);if (!capture.isOpened()){cout << "opencv打开摄像头失败!\n" << endl;return -1;}Mat frame; //摄像头彩色图像Mat grayFrame; //摄像头灰度图像Mat equalizeFrame; //直方图while (true){capture >> frame; //从capture中取数据，将画面输出到frame矩阵里面if (frame.empty()){cout << "读取摄像头数据失败!\n" << endl;return -1;}imshow("摄像头", frame); //显示图像//灰度化处理cvtColor(frame, grayFrame, COLOR_BGR2GRAY); //注意 : OpenCV中是BRGimshow("灰度化", grayFrame); //显示图像//直方图均衡化，用来增强图像对比度，从而让轮廓更加明显equalizeHist(grayFrame, equalizeFrame);imshow("直方图", equalizeFrame);if (waitKey(30) == 27) //ESC键{break;}}return 0;
}

运行程序，效果如下所示，最右边的是经过直方图均衡化处理后的
在这里插入图片描述

6. 加载级联分类器

级联分类器CascadeClassifier的作用是进行目标检测。它是一种基于机器学习的分类器，通过训练多个弱分类器来识别目标物体。这些弱分类器层层级联，形成一个级联分类器，能够快速准确地检测出图像中的目标物体。

级联分类器通常用于人脸检测，可以通过训练来识别人的面部特征，如眼睛、鼻子、嘴巴等，从而识别人脸并定位人脸的位置。在OpenCV中，CascadeClassifier类提供了一个方便的接口，可以加载预训练的级联分类器，并进行目标检测操作。

首先我们要去加载级联分类器文件(xml文件)，这些文件位于D:\Developer\opencv4.8.0\opencv\build\etc目录下，这里我们用的是haarcascade这种基于梯度提升决策树的分类器 (另一种lbpcascade是一种基于局部二值模式LBP的分类器)

在haarcascade目录下，我们可以看到haarcascade_frontalface_alt.xml这个文件，就是我们需要的，用于人脸识别的级联分类器了。
在这里插入图片描述
所以，我们加载级联分类器的时候，去指定这个路径D:\Developer\opencv4.8.0\opencv\build\etc\haarcascades\haarcascade_frontalface_alt.xml，需要注意的是，放到代码里，这里的要将\改为/ (或者改为\\也行)。如果不改，那么路径不对，级联分类器会读取出错。

具体代码如下

int main()
{CascadeClassifier face_CascadeClassifier;if (!face_CascadeClassifier.load("D:/Developer/opencv4.8.0/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml")) {cout << "级联分类器加载失败!\n" << endl;return -1;}//这里省略了原本其他的代码 ...
}

7. 进行人脸检测

接下来我们就要进行人脸检测了，人脸检测需要调用detectMultiScale方法，第一个参数 image 需要传入我们刚才处理后的直方图，第二个参数objects会返回所有检测出来的人脸的坐标。

void detectMultiScale( InputArray image,CV_OUT std::vector<Rect>& objects,double scaleFactor = 1.1,int minNeighbors = 3, int flags = 0,Size minSize = Size(),Size maxSize = Size() );

还有一个rectangle方法，用来在得到人脸坐标之后，进行画框。第一个参数img代表要在哪个图像上画框，第二个参数rec表示框的坐标，第三个参数color表示画框的颜色。

void rectangle(InputOutputArray img, Rect rec,const Scalar& color, int thickness = 1,int lineType = LINE_8, int shift = 0);

主要代码如下所示

std::vector<Rect> faces;
face_CascadeClassifier.detectMultiScale(grayFrame, faces);  //检测人脸for (size_t i = 0; i < faces.size(); i++)
{rectangle(frame,faces[i],Scalar(0,0,255)); //在人脸的位置画红色的框
}

来看一下完整代码

#include "OpenCVTest.h"
#include "opencv2/opencv.hpp"using namespace std;
using namespace cv;int main()
{//加载级联分类器CascadeClassifier face_CascadeClassifier;if (!face_CascadeClassifier.load("D:/Developer/opencv4.8.0/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml")) {cout << "级联分类器加载失败!\n" << endl;return -1;}VideoCapture capture;capture.open(0);if (!capture.isOpened()){cout << "opencv打开摄像头失败!\n" << endl;return -1;}Mat frame; //摄像头彩色图像Mat grayFrame; //摄像头灰度图像Mat equalizeFrame; //直方图while (true){capture >> frame; //从capture中取数据，将画面输出到frame矩阵里面if (frame.empty()){cout << "读取摄像头数据失败!\n" << endl;}//imshow("摄像头", frame); //显示图像//灰度化处理cvtColor(frame, grayFrame, COLOR_BGR2GRAY); //注意 : OpenCV中是BRG//imshow("灰度化", grayFrame); //显示图像//直方图均衡化，用来增强图像对比度，从而让轮廓更加明显equalizeHist(grayFrame, equalizeFrame);//imshow("直方图", equalizeFrame);std::vector<Rect> faces;face_CascadeClassifier.detectMultiScale(grayFrame, faces);  //检测人脸for (size_t i = 0; i < faces.size(); i++){rectangle(frame,faces[i],Scalar(0,0,255));}imshow("摄像头", frame); //显示图像if (waitKey(30) == 27) //ESC键{break;}}return 0;
}

运行程序，来看一下效果

可以看到，人脸已经检测出来了，并对人脸进行了画框。但是可以画面非常的卡顿，因为人脸检测是非常耗时的，可能需要500毫秒甚至1-2秒时间，这里每一帧都去检测人脸，导致了异常卡顿。所以这种方式只适合用来检测静态图像，并不适合用作实时的摄像头人脸跟踪检测。

8. 实现实时人脸跟踪检测

8.1 OpenCV Android Demo

那我们需要来怎么做呢 ? 其实我们可以来看一下官方的示例，我们要去下载官方的Android包，里面有Android的官方示例。

在这里插入图片描述

8.2 DetectionBasedTracker_jni.cpp

我们下载解压后，可以在OpenCV-android-sdk\samples\face-detection\jni目录下找到DetectionBasedTracker_jni.cpp这个文件
在这里插入图片描述
在里面的nativeCreateObject方法里，我们可以发现其调用了这几句代码
在这里插入图片描述

8.3 CascadeDetectorAdapter

CascadeDetectorAdapter是一个适配器类，用于将CascadeClassifier与Detector接口适配起来，从而用于检测人脸。

再来看一下CascadeDetectorAdapter这个类，里面的detect方法就是用来检测人脸的
在这里插入图片描述

8.4 DetectorAgregator

然后来看一下第三行代码中的DetectorAgregator，这里面有tracker = makePtr<DetectionBasedTracker>(mainDetector, trackingDetector, DetectorParams);这行代码是我们需要的，用来传入mainDetector和trackingDetector，生成一个tracker对象。
在这里插入图片描述

8.5 开始重新编写代码

这里我们将原来写的人脸检测的代码删除了，代码恢复到了刚配置好OpenCV的初始状态，然后将CascadeDetectorAdapter这个类的代码复制到我们的项目中

class CascadeDetectorAdapter: public DetectionBasedTracker::IDetector
{
public:CascadeDetectorAdapter(cv::Ptr<cv::CascadeClassifier> detector):IDetector(),Detector(detector){CV_Assert(detector);}void detect(const cv::Mat &Image, std::vector<cv::Rect> &objects){Detector->detectMultiScale(Image, objects, scaleFactor, minNeighbours, 0, minObjSize, maxObjSize);}virtual ~CascadeDetectorAdapter(){}private:CascadeDetectorAdapter();cv::Ptr<cv::CascadeClassifier> Detector;
};

声明 tracker这个对象。

cv::Ptr<DetectionBasedTracker> tracker;

然后创建tracker，并调用run()方法，会启动一个异步线程，后面的人脸检测会在这个异步线程进行检测了。

string stdFileName = "D:/Developer/opencv4.8.0/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml";
//创建一个主检测适配器
cv::Ptr<CascadeDetectorAdapter> mainDetector = makePtr<CascadeDetectorAdapter>(makePtr<CascadeClassifier>(stdFileName));
//创建一个跟踪检测适配器
cv::Ptr<CascadeDetectorAdapter> trackingDetector = makePtr<CascadeDetectorAdapter>(makePtr<CascadeClassifier>(stdFileName));
//创建跟踪器
DetectionBasedTracker::Parameters DetectorParams;
tracker = makePtr<DetectionBasedTracker>(mainDetector, trackingDetector, DetectorParams);
tracker->run();

然后在人脸检测的使用调用tracker->process(grayFrame);进行人脸检测，并调用tracker->getObjects(faces);获得识别出来的人脸。

tracker->process(grayFrame);
tracker->getObjects(faces);

核心代码就是如上所示，接下来我们再来看一下完整的代码

#include "OpenCVTest.h"
#include "opencv2/opencv.hpp"using namespace std;
using namespace cv;class CascadeDetectorAdapter : public DetectionBasedTracker::IDetector
{
public:CascadeDetectorAdapter(cv::Ptr<cv::CascadeClassifier> detector) :IDetector(),Detector(detector){CV_Assert(detector);}void detect(const cv::Mat& Image, std::vector<cv::Rect>& objects){Detector->detectMultiScale(Image, objects, scaleFactor, minNeighbours, 0, minObjSize, maxObjSize);}virtual ~CascadeDetectorAdapter(){}private:CascadeDetectorAdapter();cv::Ptr<cv::CascadeClassifier> Detector;
};cv::Ptr<DetectionBasedTracker> tracker;int main()
{string stdFileName = "D:/Developer/opencv4.8.0/opencv/build/etc/haarcascades/haarcascade_frontalface_alt.xml";//创建一个主检测适配器cv::Ptr<CascadeDetectorAdapter> mainDetector = makePtr<CascadeDetectorAdapter>(makePtr<CascadeClassifier>(stdFileName));//创建一个跟踪检测适配器cv::Ptr<CascadeDetectorAdapter> trackingDetector = makePtr<CascadeDetectorAdapter>(makePtr<CascadeClassifier>(stdFileName));//创建跟踪器DetectionBasedTracker::Parameters DetectorParams;tracker = makePtr<DetectionBasedTracker>(mainDetector, trackingDetector, DetectorParams);tracker->run();VideoCapture capture;capture.open(0);if (!capture.isOpened()){cout << "opencv打开摄像头失败!\n" << endl;return -1;}Mat frame; //摄像头彩色图像Mat grayFrame; //摄像头灰度图像Mat equalizeFrame; //直方图while (true){capture >> frame; //从capture中取数据，将画面输出到frame矩阵里面if (frame.empty()){cout << "读取摄像头数据失败!\n" << endl;return -1;}//imshow("摄像头", frame); //显示图像//灰度化处理cvtColor(frame, grayFrame, COLOR_BGR2GRAY); //注意 : OpenCV中是BRG//imshow("灰度化", grayFrame); //显示图像//直方图均衡化，用来增强图像对比度，从而让轮廓更加明显equalizeHist(grayFrame, equalizeFrame);//imshow("直方图", equalizeFrame);std::vector<Rect>  faces;tracker->process(grayFrame);tracker->getObjects(faces);for (size_t i = 0; i < faces.size(); i++){rectangle(frame, faces[i], Scalar(0, 0, 255));}imshow("摄像头", frame); //显示图像if (waitKey(30) == 27) //ESC键{break;}}tracker->stop();return 0;
}

8.6 运行效果

运行程序，我们就可以看到本文开头给出的效果了

在这里插入图片描述
至此，我们就使用OpenCV完成实时人脸跟踪识别了。

9. 本文源码下载

使用OpenCV实现人脸识别示例Demo

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/67409.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【设计模式——学习笔记】23种设计模式——状态模式State（原理讲解+应用场景介绍+案例介绍+Java代码实现）

【设计模式——学习笔记】23种设计模式——状态模式State（原理讲解+应用场景介绍+案例介绍+Java代码实现）

文章目录 案例引入介绍基本介绍登场角色应用场景 案例实现案例一类图实现 案例二&#xff1a;借贷平台源码剖析传统方式实现分析状态修改流程类图实现 案例三&#xff1a;金库警报系统系统的运行逻辑伪代码传统实现方式使用状态模式 类图实现分析问题问题一问题二 总结文章说明…
阅读更多...
小米发布会：雷军成长故事与创新壮举，AI大模型技术引领未来,雷军探索之路之从创业波折到小米AI领航，成就高端化传奇!

小米发布会：雷军成长故事与创新壮举，AI大模型技术引领未来,雷军探索之路之从创业波折到小米AI领航，成就高端化传奇!

&#x1f337;&#x1f341; 博主猫头虎 带您 Go to New World.✨&#x1f341; &#x1f984; 博客首页——猫头虎的博客&#x1f390; &#x1f433;《面试题大全专栏》 文章图文并茂&#x1f995;生动形象&#x1f996;简单易学&#xff01;欢迎大家来踩踩~&#x1f33a; &a…
阅读更多...
【EI/SCOPUS检索】第三届计算机视觉、应用与算法国际学术会议（CVAA 2023)

【EI/SCOPUS检索】第三届计算机视觉、应用与算法国际学术会议（CVAA 2023)

第三届计算机视觉、应用与算法国际学术会议&#xff08;CVAA 2023) The 3rd International Conference on Computer Vision, Application and Algorithm 2023年第三届计算机视觉、应用与算法国际学术会议&#xff08;CVAA 2023&#xff09;主要围绕计算机视觉、计算机应用、计…
阅读更多...
Java并发编程（六）线程池[Executor体系]

Java并发编程（六）线程池[Executor体系]

概述 在处理大量任务时,重复利用线程可以提高程序执行效率,因此线程池应运而生。 它是一种重用线程的机制,可以有效降低内存资源消耗提高响应速度。当任务到达时&#xff0c;任务可以不需要的等到线程创建就能立即执行线程池可以帮助我们更好地管理线程的生命周期和资源使用,…
阅读更多...
算法与数据结构-哈希算法

算法与数据结构-哈希算法

文章目录 什么是哈希算法哈希算法的应用安全加密唯一标识数据校验散列函数负载均衡数据分片分布式存储 什么是哈希算法 哈希算法的定义和原理非常简单&#xff0c;基本上一句话就可以概括了。将任意长度的二进制值串映射为固定长度的二进制值串&#xff0c;这个映射的规则就是…
阅读更多...
Springboot项目启动后按顺序加载自定义类 (demo)

Springboot项目启动后按顺序加载自定义类 (demo)

1. 实现ApplicationRunner接口, 重写run方法 import lombok.extern.slf4j.Slf4j; import org.springframework.boot.ApplicationArguments; import org.springframework.boot.ApplicationRunner; import org.springframework.core.annotation.Order; import org.springframewor…
阅读更多...
如何学习嵌入式软件开发?

如何学习嵌入式软件开发?

首先就是认知和基础阶段的学习。这部分一般都是要求学习一些行业认知类的课程&#xff0c;指导嵌入式未来的发展前景和就业趋势&#xff0c;C语言的入门&#xff0c;开发工具的使用&#xff0c;常见的命令&#xff0c;数据结构算法等内容。这一部分主要的就是要靠记忆力&#x…
阅读更多...
华为AI战略的CANN

华为AI战略的CANN

基于TVM的华为昇腾体系中—— 异构计算架构&#xff08;CANN&#xff09;是对标英伟达的CUDA CuDNN的核心软件层&#xff0c;向上支持多种AI框架&#xff0c;向下服务AI处理器&#xff0c;发挥承上启下的关键作用&#xff0c;是提升昇腾AI处理器计算效率的关键平台 主要包括有…
阅读更多...
问道管理：三大股指触底反弹 AI算力方向再度崛起

问道管理：三大股指触底反弹 AI算力方向再度崛起

周一&#xff0c;受人民币汇率动摇等要素影响&#xff0c;A股三大股指早盘深度回撤&#xff0c;沪指盘中创出1月中旬以来新低。午间休市前后&#xff0c;券商与人工智能板块相继发力&#xff0c;带动股指止跌回升&#xff0c;大盘终究以全天的相对高点报收。 截至14日收盘&…
阅读更多...
测试人进阶技能：单元测试报告应用指南

测试人进阶技能：单元测试报告应用指南

为什么需要单元测试 从产品角度而言&#xff0c;常规的功能测试、系统测试都是站在产品局部或全局功能进行测试&#xff0c;能够很好地与用户的需要相结合&#xff0c;但是缺乏了对产品研发细节&#xff08;特别是代码细节的理解&#xff09;。 从测试人员角度而言&#xff0…
阅读更多...
共识算法初探

共识算法初探

共识机制的背景 加密货币都是去中心化的&#xff0c;去中心化的基础就是P2P节点众多&#xff0c;那么如何吸引用户加入网络成为节点&#xff0c;有那些激励机制&#xff1f;同时&#xff0c;开发的重点是让多个节点维护一个数据库&#xff0c;那么如何决定哪个节点写入&#x…
阅读更多...
【数据结构】“单链表”的练习题（二）

【数据结构】“单链表”的练习题（二）

&#x1f490; &#x1f338; &#x1f337; &#x1f340; &#x1f339; &#x1f33b; &#x1f33a; &#x1f341; &#x1f343; &#x1f342; &#x1f33f; &#x1f344;&#x1f35d; &#x1f35b; &#x1f364; &#x1f4c3;个人主页 &#xff1a;阿然成长日记 …
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023