【光电制造】给OpenCV初学者的礼物——OpenCV人脸检测入门教程

前言

对于人类来说，图像可以解构为画面结构、色彩和非常丰富的意象。你可以把它解构为各种色块或线条，然后用故事性的语言把这幅图像存在脑海里。

反过来，对于计算机来说，这个过程就要机械得多了，计算机只认识组成一副图像的那一个个像素。为了存储这一个个像素，需要像素的坐标和色彩信息。OpenCV以一种叫Mat的结构存储图像，你可以把它理解为一种数据结构，结构上是下图这样的一个表格，表格的行列分布代表像素的行列。

在上图的各个像素中，颜色又用三原色来表示，即BGR（蓝绿红）。这些BGR数据依次排列如下图。其中，三原色里的每个颜色元素的值域是0-255（即8位），因此每个像素具有8x3位（即24位真彩色）。

我们来建立一个Mat数据M，存储一个最简单的2x2像素的图像，且每个像素为蓝色（0,0,255），可以这样写。要注意的是，目前最新的OpenCV 4.0.1已经不支持C了，代码文件需要按C++写。

Mat M(2,2, CV_8UC3, Scalar(0,0,255));//新建2x2像素图像

imshow("image", M);//显示M的图像

当然，大多数时候，我们是不会这样傻傻地新建一个图像的。我们可以直接从一个jpg文件里面读取图像，我将把读取图片文件的方法教给大家。

举个例子，把一个叫Lena的照片放进一个叫M的Mat结构，可以像下面这么写。另外，我们还演示了怎么把一个彩色图像以灰度图的方式读取。

Mat M = imread("lena.jpg");//图像来自图片文件

imshow("image", M);//显示M的图像

Mat img = imread("lena.jpg", IMREAD_GRAYSCALE);//以灰度形式读取图片文件

imshow("grayimage", img);//显示img的图像（它是灰度图）

反过来，一个Mat数据，也可以写入文件，这样就把图片给存起来了。举个例子，读取Lena的照片文件，然后存到一个叫out的文件里。

imwrite("image.jpg", M);//显示M的图像

Mat img = imread("lena.jpg", IMREAD_GRAYSCALE);//以灰度形式读取图片文件

imwrite("grayimage.jpg", img);//显示img的图像（它是灰度图）

这个例子，需要引用3个OpenCV的头文件：

#include "opencv2/objdetect.hpp"

#include "opencv2/highgui.hpp"

#include "opencv2/imgproc.hpp"

当然，也可以一步到位，把所有的OpenCv库都引了

#include "opencv2/opencv.hpp"

应用iostream库，并使用命名空间来减少代码里面文字的输入量

#include

using namespace std;

using namespace cv;

定义两个分类器，分别用来检测脸和眼睛

CascadeClassifier face_cascade;

CascadeClassifier eyes_cascade;

加载已经训练好的分类器，其中face_cascade_name和eyes_cascade_name是xml格式的分类器文件名。（OpenCV的Github里有已经训练好的模型，可以免费下载）

face_cascade.load( face_cascade_name );

eyes_cascade.load( eyes_cascade_name );

定义一个检测人脸并显示检测结果的函数，函数的输入变量是Mat图像。

void detectAndDisplay( Mat frame )

输入的Mat变量frame是彩色的，色彩信息对检测没什么用。所以我们把它转成灰度图，并标准化。

Mat frame_gray;

cvtColor( frame, frame_gray, COLOR_BGR2GRAY );//转灰度

equalizeHist( frame_gray, frame_gray );//标准化

一张图里有可能会检测到多个人脸，我们可以把检测结果用一个叫faces的向量来存储。用分类器进行多尺度检测的函数叫detectMultiScale，这个函数有两个变量，第一个是输入的图像frame_gray，第二个是输出的结果faces。

std::vector<Rect> faces;//准备要存入人脸检测结果的向量

face_cascade.detectMultiScale( frame_gray, faces );//检测

由于faces是把检测结果存成了一个向量，所以我们可以用size()函数得到这个向量的长度。下面这个代码循环遍历了每个结果，计算了每张脸的位置。

for ( size_t i = 0; i < faces.size(); i++ )

{

Point center( faces[i].x + faces[i].width/2, faces[i].y + faces[i].height/2 );//获得每张脸部中心的xy像素坐标

ellipse( frame, center, Size( faces[i].width/2, faces[i].height/2 ), 0, 0, 360, Scalar( 255, 0, 255 ), 4 );//给每个脸画个圈圈框起来

}

上面这个循环里，还可以把检测到个每个脸的区域单独提取出来，再检测一下眼睛。然后嵌入一个用圈圈框出眼睛的循环。这一步，依然使用detectMultiScale函数进行检测。

Mat faceROI = frame_gray( faces[i] );//提取脸部区域

std::vector eyes;//准备要存入眼睛检测结果的向量

eyes_cascade.detectMultiScale( faceROI, eyes );//检测眼睛

for ( size_t j = 0; j < eyes.size(); j++ )

{

Point eye_center( faces[i].x + eyes[j].x + eyes[j].width/2, faces[i].y + eyes[j].y + eyes[j].height/2 );//获得每个眼睛的中心

int radius = cvRound( (eyes[j].width + eyes[j].height)*0.25 );

circle( frame, eye_center, radius, Scalar( 255, 0, 0 ), 4 );//把每个眼睛用圈圈框起来

}

接下来，我们把上面的内容整合一下，这个人脸检测并显示检测结果的函数

detectAndDisplay可以写成这样

void detectAndDisplay( Mat frame )

{

Mat frame_gray;

cvtColor( frame, frame_gray, COLOR_BGR2GRAY );

equalizeHist( frame_gray, frame_gray );

//-- Detect faces

std::vector faces;

face_cascade.detectMultiScale( frame_gray, faces );

for ( size_t i = 0; i < faces.size(); i++ )

{

Point center( faces[i].x + faces[i].width/2, faces[i].y + faces[i].height/2 );

ellipse( frame, center, Size( faces[i].width/2, faces[i].height/2 ), 0, 0, 360, Scalar( 255, 0, 255 ), 4 );

Mat faceROI = frame_gray( faces[i] );

//-- In each face, detect eyes

std::vector eyes;

eyes_cascade.detectMultiScale( faceROI, eyes );

for ( size_t j = 0; j < eyes.size(); j++ )

{

Point eye_center( faces[i].x + eyes[j].x + eyes[j].width/2, faces[i].y + eyes[j].y + eyes[j].height/2 );

int radius = cvRound( (eyes[j].width + eyes[j].height)*0.25 );

circle( frame, eye_center, radius, Scalar( 255, 0, 0 ), 4 );

}

}

//-- Show what you got

imshow( "Capture - Face detection", frame );

}

实际中，循环读摄像头并用这个detectAndDisplay函数进行检测的代码可以这么写。

Mat frame;//存放摄像头捕获图像的frame变量,它是个Mat数据

while ( capture.read(frame) )//循环把摄像头图像放入frame变量

{

detectAndDisplay( frame );//检测人脸并显示结果

}

最后，我们来写一下主函数，把上面那个摄像头读取和人脸检测功能加上。

int main( int argc, const char** argv )

{

CommandLineParser parser(argc, argv,

"{help h||}"

"{face_cascade|../../data/haarcascades/haarcascade_frontalface_alt.xml|Path to face cascade.}"

"{eyes_cascade|../../data/haarcascades/haarcascade_eye_tree_eyeglasses.xml|Path to eyes cascade.}"

"{camera|0|Camera device number.}");

parser.about( "\nThis program demonstrates using the cv::CascadeClassifier class to detect objects (Face + eyes) in a video stream.\n"

"You can use Haar or LBP features.\n\n" );

parser.printMessage();

String face_cascade_name = parser.get("face_cascade");

String eyes_cascade_name = parser.get("eyes_cascade");

//-- 1. Load the cascades

if( !face_cascade.load( face_cascade_name ) )

{

cout << "--(!)Error loading face cascade\n";

return -1;

};

if( !eyes_cascade.load( eyes_cascade_name ) )

{

cout << "--(!)Error loading eyes cascade\n";

return -1;

};

int camera_device = parser.get("camera");

VideoCapture capture;

//-- 2. Read the video stream

capture.open( camera_device );

if ( ! capture.isOpened() )

{

cout << "--(!)Error opening video capture\n";

return -1;

}

Mat frame;

while ( capture.read(frame) )

{

if( frame.empty() )

{

cout << "--(!) No captured frame -- Break!\n";

break;

}

//-- 3. Apply the classifier to the frame

detectAndDisplay( frame );

if( waitKey(10) == 27 )

{

break; // escape

}

}

return 0;

}

人脸检测完整的代码可去下方下载

https://github.com/opencv/opencv/blob/master/samples/cpp/tutorial_code/objectDetection/objectDetection.cpp

已经训练好的分类器可去下方下载

https://github.com/opencv/opencv/tree/master/data/haarcascades