在Visual Studio上，使用OpenCV实现人脸识别

news/2024/12/28 9:22:04/

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


http://www.ppmy.cn/news/1033184.html

相关文章

Android免打包多渠道统计如何实现

Android免打包多渠道统计如何实现

摘要&#xff1a; 实际上只要完成1-2步即可实现多渠道打包&#xff0c;这也意味着&#xff0c;只要每次更新App时给出一个原始包&#xff0c;运营人员就能在后台自己进行操作管理&#xff0c;简单快捷到全程无需开发人员参与。 我们都知道&#xff0c;Android 市场被分割成几十…
阅读更多...
基于MATLAB实现小波算法仿真（附上多个完整源码+数据集）

基于MATLAB实现小波算法仿真（附上多个完整源码+数据集）

小波变换是一种常用的信号处理技术&#xff0c;广泛应用于图像处理、音频处理、压缩等领域。本文将介绍MATLAB中小波变换的基本原理和实现方法&#xff0c;并给出一个示例来说明如何使用MATLAB进行小波变换和逆变换。 文章目录 1. 引言2. 小波变换的基本原理3. MATLAB中的小波变…
阅读更多...
批量提取文件名到excel，详细的提取步骤

批量提取文件名到excel，详细的提取步骤

如何批量提取文件名到excel&#xff1f;我们的电脑中可能存储着数量非常多的电子文件&#xff0c;现在需要快速将这些文件的名称全部提取到Excel中。虽然少量数据可以通过复制粘贴的方式轻松完成&#xff0c;但是对于上万个数据而言&#xff0c;复制粘贴都是行不通的&#xff0…
阅读更多...
boost下的asio异步高并发tcp服务器搭建

boost下的asio异步高并发tcp服务器搭建

C 网络编程 asio 使用总结 - 知乎 (zhihu.com) 基于Boost::asio的多线程异步TCP服务器&#xff0c;实现了io_service线程池&#xff0c;测试了1万左右的并发访问&#xff0c;读写无压力_boost asio支持最大并发_E404的博客-CSDN博客
阅读更多...
【linux-nginx】nginx限流以及控制访问方法

【linux-nginx】nginx限流以及控制访问方法

一、限流 可以使用一些模块和指令来实现限流。以下是一些常用的方法&#xff1a; 使用 ngx_http_limit_req_module 模块&#xff1a;该模块可以限制每个客户端的请求速率。你可以在 Nginx 的配置文件中启用该模块&#xff0c;并使用 limit_req_zone 指令来定义限流规则。例如…
阅读更多...
聊聊RedisTemplate的各种序列化器

聊聊RedisTemplate的各种序列化器

[版权申明] 非商业目的注明出处可自由转载 出自&#xff1a;shusheng007 文章目录 概述序列化器作用和原理JDK 序列化方式多一点 String 序列化方式JSON 序列化方式 总结源码 概述 在SpringBoot中使用redis基本上都是通过Spring Data Redis&#xff0c;那就不得不说RedisTempl…
阅读更多...
数据可视化工具的三大类报表制作流程分享

数据可视化工具的三大类报表制作流程分享

电脑&#xff08;pc&#xff09;、移动、大屏三大类型的BI数据可视化报表制作步骤基本相同&#xff0c;差别就在于尺寸调整和具体的报表布局。这对于采用点击、拖拉拽方式来制作报表的奥威BI数据可视化工具来说就显得特别简单。接下来&#xff0c;我们就一起看看不这三大类型的…
阅读更多...
Android AOSP源码编译——AOSP整编(二)

Android AOSP源码编译——AOSP整编(二)

切换到源码目录下执行下面命令 1、初始化环境 . build/envsetup.sh //清除缓存 make clobber2、选择编译目标 lunchAOSP 预制了很多 Product。这里为了简单我们先不用真机&#xff0c;而是选择模拟器的方式&#xff0c;对于 x86_64 模拟器&#xff0c;我们选择的是 aosp_x86…
阅读更多...
最新文章

Copyright @ 2022~2023