python中opencv库的使用之目标检测（二）

#course15.py
import numpy as np
import cv2

# multiple cascades: https://github.com/Itseez/opencv/tree/master/data/haarcascades

#https://github.com/Itseez/opencv/blob/master/data/haarcascades/haarcascade_frontalface_default.xml
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
#https://github.com/Itseez/opencv/blob/master/data/haarcascades/haarcascade_eye.xml
eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml')

eyeglasses_cascade = cv2.CascadeClassifier('haarcascade_eye_tree_eyeglasses.xml')

smile_cascade = cv2.CascadeClassifier('haarcascade_smile.xml')

cap = cv2.VideoCapture(0)

while(cap.isOpened()):
    ret, img = cap.read()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray, 1.3, 5)
    smile = smile_cascade.detectMultiScale(gray)
    for (sm_x,sm_y,sm_w,sm_h) in smile:
        cv2.rectangle(gray,(sm_x,sm_y),(sm_x+sm_w,sm_y+sm_h),(0,0,255),2)
        
    for (x,y,w,h) in faces:
        cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
        roi_gray = gray[y:y+h, x:x+w]
        roi_color = img[y:y+h, x:x+w]
        eyes = eye_cascade.detectMultiScale(roi_gray)
        for (ex,ey,ew,eh) in eyes:
            cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
            
            font = cv2.FONT_HERSHEY_SIMPLEX
            cv2.putText(img,'Eye',(ex+x,ey+y), font, 0.5, (11,255,255), 1, cv2.LINE_AA)
        #eyeglasses = eyeglasses_cascade.detectMultiScale(roi_gray)
        #for (e_gx,e_gy,e_gw,e_gh) in eyeglasses:
        #    cv2.rectangle(roi_color,(e_gx,e_gy),(e_gx+e_gw,e_gy+e_gh),(0,0,255),2)
            #roi_gray = gray[ey:ey+eh, ex:ex+ew]#
            #roi_color = img[ey:ey+eh, ex:ex+ew]#

    cv2.imshow('img',img)
    k = cv2.waitKey(30) & 0xff
    #print(k)
    if k == 27:
        break

cap.release()
cv2.destroyAllWindows()
print(smile)

搭建的运行平台见本系列的（一），

以上代码运用的是Haar级联分类器的原理，下面是Haar级联分类器原理的简单介绍：

Haar分类器是利用图像中目标的类Haar特征来对目标进行检测的，而利用积分图的方法可以加快类Haar特征的值的求解过程。
一个最基本的类Haar特征就是一个最简陋的弱分类器，而弱分类器优化后称为优化后的弱分类器。
将多个优化后的弱分类器组合起来便形成了强分类器。（至于如何将若干个优化后的弱分类器组合起来称为强分类器，用的是Adaboost算法，数学原理看了之后不是很懂，作为一个数学系的学生很惭愧。）
但是单个的强分类器应用在实际的检测中效果并不好，
于是又有人提出了将若干个强分类器层叠或者称之为级联在一起，
这样就得到了级联分类器。

检测效果：（能够利用摄像头捕捉形成视频，对视频中动态的对人脸、人眼进行检测，以下是视频截图）