【OpenCV人臉檢測】3. 基於Harr特徵的人臉檢測分類器

【 1. 主要思想 】

• OpenCV的人臉檢測，使用Harr分類器。該分類器採用的Viola-Jones人臉檢測算法。它是在2001年由Viola和Jones提出的基於機器學習的人臉檢測算法。

• 算法首先需要大量的積極圖片（包含人臉的圖片）和消極圖片（不包含人臉的圖片）。然後從中提取類Harr特徵( Harr-like features)，之所以稱爲 Harr分類器，是正是因爲它使用了類Harr特徵。最後，訓練出一個級聯檢測器，用其來檢測人臉。

【 2. 類Harr特徵 】

• 圖像中的特徵通常是指，圖片的像素點經過一系列的運算之後得到的結果，這些結果可能是向量、矩陣和多維數據等等。類Harr特徵是一種反映圖像的灰度變化的，像素分模塊求差值的一種特徵。

• Harr特徵類別

它分爲三類：邊緣特徵、線性特徵、中心特徵和對角線特徵。
用黑色兩種矩形框組成爲特徵模板。

邊緣特徵：

線性特徵：

中心特徵和對角線特徵：

• 特徵值計算

特徵模板的特徵值計算的方式，是用黑色矩形像素總和的均值減去白色矩形像素總和的均值。

• 例如，對於4x4的像素塊。理想情況下，黑色和白色的像素塊分佈如下：
  
  符合邊緣特徵的情況(a)。

• 但是通常情況，一張灰階照片的黑白分佈並非如此的明顯，例如：
  
  根據公式，
  第一張圖特徵值爲1，第二張圖特徵值爲0.75-0.18=0.56。

• 一張圖中，對於識別人臉，只有部分特徵是有效的。例如，用下圖中的特徵模板可以看出，眉毛區域比額頭要亮，鼻樑區域比眼鏡區域要亮。嘴脣區域比牙齒區域要暗。這樣的類Harr特徵能很好的識別出人臉。
  

• 爲簡化特徵值計算，可以使用積分圖算法。得到類Harr特徵後，使用AdaBoost的方法選擇出有效特徵。最後再使用瀑布型級聯檢測器提高檢測速度。其中，瀑布的每一層都是一個由Adaboost算法訓練得到的強分類器。
  Harr人臉檢測一個簡單的動畫過程如下：
  紅色的搜索框不斷移動，檢測出是否包含人臉。一般來說，輸入的圖片會大於樣本，爲了檢索出不同大小的目標，分類器可以按比例的改變自己的尺寸，對輸入圖片進行多次的掃描。

【 3. 訓練Harr分類器 】

訓練 Harr 分類器的主要步驟：

• 蒐集製作大量的“消極”圖像
• 蒐集製作大量“積極”圖像，確保這些圖像中包含要檢測的對象
• 創建“積極”向量文件
• 使用 OpenCV 訓練 Harr 分類器

因爲訓練需要花費較多的資源和時間，所以學習時，先使用 OpenCV 中已經訓練好的 Harr 分類器。

【 4. 使用Harr分類器檢測人臉 】

• OpenCV 中的人臉訓練模型格式爲 XML，可以從 官網下載，把文件放在源文件目錄中。
  在此我們使用harrcascade_frontalface_default.xml模型檢測人臉。
• 也可以使用python中自帶的文件，一般路徑是
  G:\Python32\Lib\site-packages\cv2\data\harrcascade_frontalface_default.xml’)

• 聲明分類器：

CascadeClassifier(模型文件路徑)

• 調用分類函數：

detectMultiScale(圖片對象,scaleFactor, minNeighbors, minSize)

參數說明：

• 圖片對象：待識別圖片對象；
• scaleFactor：圖像縮放比例；
• minNeighbors：對特徵檢測點周邊多少有效點同時檢測，這樣可避免因選取的特徵檢測點太小而導致遺漏；
• minSize：特徵檢測點的最小尺寸，可選參數。

• 範例：

import numpy as np
import cv2 as cv
img = cv.imread('mypicture.jpg') # 讀取圖片

gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) # 轉換爲灰度圖片

face_cascade = cv.CascadeClassifier(r'G:\Python32\Lib\site-packages\cv2\data\haarcascade_frontalface_alt.xml') #人臉檢測器

faces = face_cascade.detectMultiScale(gray, 1.3, 5) # 識別人臉

for (x,y,w,h) in faces: 
    print(x,y,w,h)

其中，圖片座標系以左上角爲原點，x,y代表人臉區域左上角座標，w代表寬度，h代表高度。如：