資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝設計
法律研究如何使用C++在OpenCV中檢測靜態影像中的面部？
我們從影像中檢測人臉。為了檢測人臉，我們使用了 `detectMultiScale()` 函式。
該函式的實際格式如下：
語法
detectMultiScale(source matrix, vector, searchScaleFactor, minNeighbours, flags, minfeatureSize)
透過更改函式引數，我們可以控制 `detectMultiScale()` 函式。此函式採用以下引數。
源矩陣
這是將要檢測人臉的矩陣。在本例中，它將是儲存影片幀的矩陣。
向量
`detectMultiScale()` 函式將是一個矩形型別的向量。在OpenCV中，矩形是一個向量，我們必須將其定義為向量。
搜尋比例因子 (searchScaleFactor)
搜尋比例因子決定了函式將查詢多少種不同大小的人臉。我們通常使用 1.1。如有必要，我們可以使用 1.2 來加快檢測系統的速度。但是，在這種情況下，人臉的檢測頻率不如使用 1.1 時高。
最小鄰域 (minNeighbours)
此引數檢測檢測器的置信度級別。這意味著此函式顯示檢測器檢測到人臉的置信度有多高。為了獲得更好的可靠性，我們可以使用更大的數字，但這會減慢處理速度。為了加快處理速度但降低可靠性，我們可以使用較小的數字。我們通常使用 3 或 4 作為 minNeighbours。
標誌 (flags)
預設情況下，該函式將查詢所有的人臉。如果我們使用 `CASCADE_FIND_BIGGEST_OBJECT` 作為標誌的值，它將只查詢最大的人臉。在這種情況下，系統的效能會更快。使用 `CASCADE_SCALE_IMAGE`，我們可以搜尋多個人臉。
最小特徵大小 (minFeatureSize)
minFeatureSize 決定人臉的最小大小。如果我們想要檢測遠離攝像機的人臉，那麼我們應該使用較小的值。如果人臉靠近攝像機，我們應該使用較大的值。對於典型的距離，我們使用 (20 x 20) 或 (30 x 30) 的大小。在示例中，我們使用 `detectMultiScale()` 函式如下：
faceDetector.detectMultiScale(image_with_humanface, faces, 1.1, 4, CASCADE_SCALE_IMAGE, Size(20, 20));//
以下程式碼演示瞭如何在OpenCV中從靜態影像中檢測人臉。
示例
#include<iostream>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
//This header includes definition of 'rectangle()' function//
#include<opencv2/objdetect/objdetect.hpp>
//This header includes the definition of Cascade Classifier//
#include<string>
using namespace std;
using namespace cv;
int main(int argc, char** argv) {
Mat image_with_humanface;//Declaring a matrix to load image with human faces//
image_with_humanface = imread("friends.jpg");//loading an image that contains human face in it//
namedWindow("Face Detection");//Declaring a window to show the result//
string trained_classifier_location = "C:/opencv/sources/data/haarcascades/haarcascade_frontalface_alt.xml";//Defining the location our XML Trained Classifier in a string//
CascadeClassifier faceDetector;//Declaring an object named 'face detector' of CascadeClassifier class//
faceDetector.load(trained_classifier_location);//loading the XML trained classifier in the object//
vector<Rect>faces;//Declaring a rectangular vector named faces//
vector<Rect>boundary;//Declaring a rectangular vector named rectangle//
faceDetector.detectMultiScale(image_with_humanface, faces, 1.1, 4, CASCADE_SCALE_IMAGE, Size(20, 20));//Detecting the faces in 'image_with_humanfaces' matrix//
for (size_t i = 0; i < faces.size(); i++){ //Loop to draw rectangle around the faces//
Mat faceROI = image_with_humanface(faces[i]);//Storing the face in a matrix//
int x = faces[i].x;//Getting the initial row value of face rectangle's starting point//
int y = faces[i].y;//Getting the initial column value of face rectangle's starting point//
int h = y + faces[i].height;//Calculating the height of the rectangle//
int w = x + faces[i].width;//Calculating the width of the rectangle//
rectangle(image_with_humanface, Point(x, y), Point(w, h), Scalar(255, 0, 255), 2, 8, 0);//Drawing a rectangle using around the faces//
}
imshow("Face Detection", image_with_humanface);//Showing the detected face//
waitKey(0);//To wait for keystroke to terminate the program//
return 0;
}輸出
更新於：2021年3月10日
623 次瀏覽
廣告