数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法律研究如何使用C++在OpenCV中检测静态图像中的面部？
我们从图像中检测人脸。为了检测人脸，我们使用了 `detectMultiScale()` 函数。
该函数的实际格式如下：
语法
detectMultiScale(source matrix, vector, searchScaleFactor, minNeighbours, flags, minfeatureSize)
通过更改函数参数，我们可以控制 `detectMultiScale()` 函数。此函数采用以下参数。
源矩阵
这是将要检测人脸的矩阵。在本例中，它将是保存视频帧的矩阵。
向量
`detectMultiScale()` 函数将是一个矩形类型的向量。在OpenCV中，矩形是一个向量，我们必须将其定义为向量。
搜索比例因子 (searchScaleFactor)
搜索比例因子决定了函数将查找多少种不同大小的人脸。我们通常使用 1.1。如有必要，我们可以使用 1.2 来加快检测系统的速度。但是，在这种情况下，人脸的检测频率不如使用 1.1 时高。
最小邻域 (minNeighbours)
此参数检测检测器的置信度级别。这意味着此函数显示检测器检测到人脸的置信度有多高。为了获得更好的可靠性，我们可以使用更大的数字，但这会减慢处理速度。为了加快处理速度但降低可靠性，我们可以使用较小的数字。我们通常使用 3 或 4 作为 minNeighbours。
标志 (flags)
默认情况下，该函数将查找所有的人脸。如果我们使用 `CASCADE_FIND_BIGGEST_OBJECT` 作为标志的值，它将只查找最大的人脸。在这种情况下，系统的性能会更快。使用 `CASCADE_SCALE_IMAGE`，我们可以搜索多个人脸。
最小特征大小 (minFeatureSize)
minFeatureSize 决定人脸的最小大小。如果我们想要检测远离摄像机的人脸，那么我们应该使用较小的值。如果人脸靠近摄像机，我们应该使用较大的值。对于典型的距离，我们使用 (20 x 20) 或 (30 x 30) 的大小。在示例中，我们使用 `detectMultiScale()` 函数如下：
faceDetector.detectMultiScale(image_with_humanface, faces, 1.1, 4, CASCADE_SCALE_IMAGE, Size(20, 20));//
以下代码演示了如何在OpenCV中从静态图像中检测人脸。
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;
}输出
更新于：2021年3月10日
623 次浏览
广告