返回首页
回到顶部
一、实践目标
本项目借助行空板，对人脸图像进行检测并在其上绘制人脸特征点。
二、知识目标
1、学习使用harr算法进行人脸检测的方法。
2、学习使用Facemark框架的LBF算法进行面部特征点检测的方法。
三、实践准备
硬件清单：
软件使用：
Mind+编程软件x1
四、实践过程
1、硬件搭建
通过USB连接线将行空板连接到计算机。
2、软件编写
第一步：打开Mind+，远程连接行空板
第二步：在“行空板的文件”中新建一个名为AI的文件夹，在其中再新建一个名为“基于行空板的opencv人脸特征点绘制”的文件夹，导入本节课的人脸图片和模型，以及依赖安装包和文件。
第三步：编写程序
在上述图片和模型文件的同级目录下新建一个项目文件，并命名为“main.py”。
示例程序：
import cv2
import numpy as np
import time
from unihiker import GUI #导入包
gui=GUI() #实例化GUI类
img_image2 = gui.draw_image(x=0, y=0, image='1.jpg')
time.sleep(3)
# 加载Haar级联分类器(# 后续用来进行人脸检测 )
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
# 创建Facemark对象(# 后续进行面部特征点检测)
facemark = cv2.face.createFacemarkLBF()
# 加载预训练的lbf模型
facemark.loadModel("lbfmodel.yaml")
# 读取图片
image = cv2.imread('1.jpg')
# 转为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 进行人脸检测
# 1.3表示每次图像尺寸的减小比例，5表示指定每个候选矩形应该有多少个邻居才能保留。
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
# 进行特征点检测
# faces包含了所有被检测到的人脸的矩形框的列表
_, landmarks = facemark.fit(image, faces)
# 遍历每一个检测到的人脸
for landmark in landmarks:
# 遍历每一个特征点
for x, y in landmark[0]:
x = int(x)
y = int(y)
# 在图像上绘制特征点
cv2.circle(image, (x, y), 2, (0, 255, 0), -1) # 半径、线宽
# 显示图像
cv2.imwrite('output.jpg', image) # 保存图像
cv2.waitKey(0)
cv2.destroyAllWindows()
# img_image2 = gui.draw_image(x=0, y=0, image='output.jpg')
img_image2.config(image='output.jpg')
while True:
#增加等待，防止程序退出和卡住
time.sleep(1)
3、运行调试
第一步：运行“1-Install_dependency.py”程序文件，等待自动安装依赖包，完成示意图如下。
第二步：运行主程序
运行“main.py”程序，可以看到初始时屏幕显示了一张人脸，几秒后，通过小圆点对人脸的眼睛、鼻子、嘴巴、眉毛等特征进行了描绘。
同时，也可以在同级路径下看到保存的人脸图片“output.jpg”。
4、程序解析
在上述的“main.py”文件中，我们主要通过opencv库的Haar特征分类器来进行人脸检测，在检测到人脸后通过Facemark的LBF（Local Binary Features）算法进行面部特征点检测，整体流程如下，
五、知识园地
1. 了解haar cascade算法
haar cascade算法，又称haar级联算法，是一种在计算机视觉中广泛应用的对象检测方法，尤其在面部检测领域得到了广泛应用。它是一种基于机器学习的方法，通过训练大量的正样本（包含目标对象）和负样本（不包含目标对象）来生成一个级联分类器。是一种在计算机视觉中广泛应用的对象检测方法，尤其在面部检测领域得到了广泛应用。它是一种基于机器学习的方法，通过训练大量的正样本（包含目标对象）和负样本（不包含目标对象）来生成一个级联分类器。
那么它是如何工作的呢？下面，借助一张流程图来帮助我们了解harr级联算法的工作流程。
获取原始图像
获取原始图像，使用“cv2.imread('1.jpg')”指令，从当前路径下获取一张原始图像“1.jpg”。
转换灰度图
将获取的原图图像，通过“cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)”指令，将彩色图像转换为灰度图像。
haar特征提取
haar特征提取，就是拿一个个黑白矩形去图片的相应位置进行比对，看看是否符合灰度的分布特征。
第一幅人脸检测图中，表明眼睛区域比眼睛下面的脸颊颜色深；第二幅人脸检测图中，表明了左右眼区域比鼻梁区域颜色深。以这种方式，进行整个图像的特征提取，如果提取的特征符合人脸数据模型，那说明人脸特征提取成功。
注意：人脸数据模型，是提前训练好的，这里不做详细介绍。
识别信息
识别信息，使用“face_cascade.detectMultiScale(gray, 1.3, 5)”指令，就可以得到检测到的人脸识别信息。（1.3指每次图像尺寸的减小比例，5指相邻个数）下面重点介绍一下缩放比例、相邻个数。
（1）缩放比例
缩放比例是人脸检测中一个重要的参数，用于控制图像金字塔的缩放比例。例如，现在缩放比例为1.3，表示在图像金字塔中，每两层图像之间的尺度变化大约是1.3倍。如果将原始图像大小视为1.0，那么在下一层金字塔中，图像的大小将增加到1.3倍，然后在下一层金字塔中再次增加到1.3倍，以此类推。
至于金字塔有多少层，通常取决于具体的人脸检测器设置和输入图像的大小。如果输入图像的原始尺寸较大，金字塔可能要包含更多的层级，输入图像较小，层级就越少。缩放比例取决于应用的需求和性能要求，通常情况下，可以根据实验和性能优化来选择适当的缩放比例，以获取最佳的人脸检测效果。我们测出将缩放比例设置为1.3时，是最佳的人脸检测效果。
（2）相邻个数
相邻个数适用于过滤掉一些虚假检测的参数，主要是控制在检测到的人脸周围可以有多少个相邻的矩形边界框，才能将这个检测结果保留为有效的人脸检测。例如，程序中设置相邻个数为5，如果一个矩形边界框周围的相邻矩形边界框数量不足5个时，那就认为是虚假检测。相邻矩形边界框数量大于等于5个时，就认为是有效检测。
注意：关于相邻个数，你也可以根据实验结果来选择合适的参数。
2.了解Facemark框架的LBF算法
Facemark是OpenCV库中的一个用于面部特征点检测的框架。它提供了一个通用的接口，可以通过实现不同的算法来进行面部特征点的检测。其中，LBF（Local Binary Features）是一种实现方法。
LBF是一种基于局部二值特征的人脸特征点检测算法。这种算法首先使用级联回归方法来预测面部特征点的粗略位置，然后使用局部二值特征来描述面部的外观信息，并利用这些信息来修正特征点的位置，从而得到更准确的检测结果。
LBF算法的主要优点是检测精度高，并且计算效率也相对较高。它可以在各种不同的情况下，如不同的光照、表情和姿态等，都能得到较好的检测结果。
在OpenCV的Facemark框架中，可以使用cv2.face.createFacemarkLBF()函数来创建一个基于LBF算法的特征点检测对象，然后使用这个对象的fit()方法来进行特征点的检测。
附录
附录1：素材及拓展程序链接
链接：https://pan.baidu.com/s/1rlixCqqYUnp0xlZSDBomxA?pwd=ax0z
他的勋章
评论