Python版本：3.6.4

相關(guān)模塊：

cv2模塊；

以及一些Python自帶的模塊。

安裝Python并添加到環(huán)境變量，pip安裝需要的相關(guān)模塊即可。

簡(jiǎn)單地講一講Haar分類器，也就是Viola-Jones識(shí)別器。

詳細(xì)的原理說明可參考相關(guān)文件中的兩篇論文：

Rapid Object Detection using a Boosted Cascade of Simple Features;

Robust Real-Time Face Detection.

（1）Haar-like特征

Haar-like矩形特征是用于物體檢測(cè)的數(shù)字圖像特征，由兩個(gè)或者多個(gè)相鄰的黑白矩形組合而成，矩形的特征值是白色矩形的灰度值之和減去黑色矩形的灰度值之和。一般地，我們認(rèn)為矩形特征對(duì)一些簡(jiǎn)單的圖形結(jié)構(gòu)(線段、邊緣)等較為敏感：

具體到貓臉檢測(cè)而言，我們認(rèn)為把這樣的矩形放到一個(gè)非貓臉區(qū)域后獲得的特征值與放到一個(gè)貓臉區(qū)域后獲得的特征值是不同的。

利用上述基于特征的檢測(cè)算法，不僅能夠編碼特定區(qū)域的狀態(tài)，而且效率高于基于像素的檢測(cè)算法。

（2）積分圖

下面我們來考慮一下如何計(jì)算矩形的特征值。對(duì)圖像中的任意一點(diǎn)A(x, y)，定義該點(diǎn)的積分圖為其左上角的所有像素值之和，即：

因此，要計(jì)算矩形模板的特征值，也就是計(jì)算兩個(gè)區(qū)域之間的像素和之差，只需要用特征區(qū)域端點(diǎn)的積分圖來進(jìn)行簡(jiǎn)單的加減運(yùn)算就可以了：

（3）Haar分類器

Haar分類器是一個(gè)監(jiān)督學(xué)習(xí)分類器，要進(jìn)行目標(biāo)檢測(cè)，首先要對(duì)圖像進(jìn)行直方圖均衡化和歸一化處理，然后檢測(cè)里面是否包含要檢測(cè)的物體。

流程框架圖為(Haar分類器本質(zhì)上由Haar特征提取器、離散強(qiáng)分類器以及強(qiáng)分類級(jí)聯(lián)器組成)：

Haar分類器使用Adaboost算法，但是把它組織為了篩選式的級(jí)聯(lián)分類器，在任意一級(jí)計(jì)算中，**一旦獲得輸入內(nèi)容不在檢測(cè)類中的結(jié)論，便終止計(jì)算，只有通過所有級(jí)別的分類器，才可認(rèn)為檢測(cè)到了目標(biāo)物體，**以此來提高檢測(cè)效率。

關(guān)于AdaBoost算法，我就不展開介紹了，有興趣的同學(xué)可以自己查找相關(guān)資料進(jìn)行學(xué)習(xí)。以后有時(shí)間我再對(duì)其進(jìn)行詳細(xì)的介紹。

（4）適用范圍

適用于“基本剛性”的物體檢測(cè)，如臉、汽車、人體和自行車等等。

（5）總結(jié)

Viola-Jones目標(biāo)檢測(cè)框架的核心思想是通過滑動(dòng)窗口掃描圖像(多尺度的掃描)，然后將每個(gè)窗口的Haar特征值輸入到篩選式的級(jí)聯(lián)分類器中來判斷該窗口內(nèi)是否含有目標(biāo)物體以實(shí)現(xiàn)目標(biāo)檢測(cè)。

具體實(shí)現(xiàn)

OpenCV中內(nèi)置了基于Viola-Jones目標(biāo)檢測(cè)框架的Haar分類器，并提供了貓臉檢測(cè)預(yù)訓(xùn)練好的模型。因此實(shí)現(xiàn)起來十分簡(jiǎn)單。

具體實(shí)現(xiàn)過程詳見相關(guān)文件中的源代碼。

效果演示

使用方式：

修改源代碼中的圖片名為自己需要檢測(cè)的圖片：

在cmd窗口運(yùn)行DetectCatFace.py文件即可。

原圖1：

檢測(cè)結(jié)果1：

原圖2：

檢測(cè)結(jié)果2（并不能很好地區(qū)分狗狗和貓咪）：

到此這篇關(guān)于Python實(shí)戰(zhàn)之OpenCV實(shí)現(xiàn)貓臉檢測(cè)的文章就介紹到這了,更多相關(guān)OpenCV實(shí)現(xiàn)貓臉檢測(cè)內(nèi)容請(qǐng)搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！