浅谈OpenCV人脸检测.docx
《浅谈OpenCV人脸检测.docx》由会员分享，可在线阅读，更多相关《浅谈OpenCV人脸检测.docx（24页珍藏版）》请在冰豆网上搜索。
浅谈OpenCV人脸检测
浅谈OpenCV人脸检测
OpenCV的人脸检测主要是调用训练好的cascade（Haar分类器）来进行模式匹配。
cvHaarDetectObjects，先将图像灰度化，根据传入参数判断是否进行canny边缘处理（默认不使用），再进行匹配。
匹配后收集找出的匹配块,过滤噪声，计算相邻个数如果超过了规定值（传入的min_neighbors）就当成输出结果，否则删去。
匹配循环：
将匹配分类器放大scale（传入值）倍，同时原图缩小scale倍，进行匹配，直到匹配分类器的大小大于原图，则返回匹配结果。
匹配的时候调用cvRunHaarClassifierCascade来进行匹配，将所有结果存入CvSeq*Seq （可动态增长元素序列），将结果传给cvHaarDetectObjects。
cvRunHaarClassifierCascade函数整体是根据传入的图像和cascade来进行匹配。
并且可以根据传入的cascade类型不同（树型、stump（不完整的树）或其他的），进行不同的匹配方式。
函数cvRunHaarClassifierCascade用于对单幅图片的检测。
在函数调用前首先利用cvSetImagesForHaarClassifierCascade设定积分图和合适的比例系数（=>窗口尺寸）。
当分析的矩形框全部通过级联分类器每一层的时返回正值（这是一个候选目标），否则返回0或负值。
为了了解OpenCV人脸检测中寻找匹配图像的详细过程，就把cvHaarDetectObjects和cvRunHaarClassifierCascade的源文件详细看了一遍，并打上了注释。
方便大家阅读。
附cvHaarDetectObjects代码：
CV_IMPLCvSeq*
cvHaarDetectObjects（constCvArr*_img,
CvHaarClassifierCascade*cascade,
CvMemStorage*storage,doublescale_factor,
intmin_neighbors,intflags,CvSizemin_size）
{
intsplit_stage=2;
CvMatstub,*img=（CvMat*）_img; //CvMat多通道矩阵 *img=_img指针代换传入图
CvMat*temp=0,*sum=0,*tilted=0,*sqsum=0,*norm_img=0,*sumcanny=0,*img_small=0;
CvSeq*seq=0;
CvSeq*seq2=0; //CvSeq可动态增长元素序列
CvSeq*idx_seq=0;
CvSeq*result_seq=0;
CvMemStorage*temp_storage=0;
CvAvgComp*comps=0;
inti;
#ifdef_OPENMP
CvSeq*seq_thread[CV_MAX_THREADS]={0};
intmax_threads=0;
#endif
CV_FUNCNAME（“cvHaarDetectObjects”）;
__BEGIN__;
doublefactor;
intnpass=2,coi; //npass=2
intdo_canny_pruning=flags&CV_HAAR_DO_CANNY_PRUNING; //true做canny边缘处理
if（!
CV_IS_HAAR_CLASSIFIER（cascade））
CV_ERROR（!
cascade?
CV_StsNullPtr:
CV_StsBadArg,“Invalidclassifiercascade”）;
if（!
storage）
CV_ERROR（CV_StsNullPtr,“Nullstoragepointer”）;
CV_CALL（img=cvGetMat（img,&stub,&coi））;
if（coi）
CV_ERROR（CV_BadCOI,“COIisnotsupported”）; //一些出错代码
if（CV_MAT_DEPTH（img->type）!
=CV_8U）
CV_ERROR（CV_StsUnsupportedFormat,“Only8-bitimagesaresupported”）;
CV_CALL（temp=cvCreateMat（img->rows,img->cols,CV_8UC1））;
CV_CALL（sum=cvCreateMat（img->rows+1,img->cols+1,CV_32SC1））;
CV_CALL（sqsum=cvCreateMat（img->rows+1,img->cols+1,CV_64FC1））;
CV_CALL（temp_storage=cvCreateChildMemStorage（storage））;
#ifdef_OPENMP
max_threads=cvGetNumThreads（）;
for（i=0;i {
CvMemStorage*temp_storage_thread;
CV_CALL（temp_storage_thread=cvCreateMemStorage（0））; //CV_CALL就是运行，假如出错就报错。
CV_CALL（seq_thread[i]=cvCreateSeq（0,sizeof（CvSeq）, //CvSeq可动态增长元素序列
sizeof（CvRect）,temp_storage_thread））;
}
#endif
if（!
cascade->hid_cascade）
CV_CALL（icvCreateHidHaarClassifierCascade（cascade））;
if（cascade->hid_cascade->has_tilted_features）
tilted=cvCreateMat（img->rows+1,img->cols+1,CV_32SC1）; //多通道矩阵图像长宽+14通道
seq=cvCreateSeq（0,sizeof（CvSeq）,sizeof（CvRect）,temp_storage）; //创建序列seq 矩形
seq2=cvCreateSeq（0,sizeof（CvSeq）,sizeof（CvAvgComp）,temp_storage）; //创建序列seq2 矩形和邻近
result_seq=cvCreateSeq（0,sizeof（CvSeq）,sizeof（CvAvgComp）,storage）; //创建序列result_seq 矩形和邻近
if（min_neighbors==0）
seq=result_seq;
if（CV_MAT_CN（img->type）>1）
{
cvCvtColor（img,temp,CV_BGR2GRAY）; //img转为灰度
img=temp;
}
if（flags&CV_HAAR_SCALE_IMAGE） //flag&&匹配图
{
CvSizewin_size0=cascade->orig_window_size; //CvSizewin_size0为分类器的原始大小
intuse_ipp=cascade->hid_cascade->ipp_stages!
=0&&
icvApplyHaarClassifier_32s32f_C1R_p!
=0; //IPP相关函数
if（use_ipp）
CV_CALL（norm_img=cvCreateMat（img->rows,img->cols,CV_32FC1））; //图像的矩阵化4通道.
CV_CALL（img_small=cvCreateMat（img->rows+1,img->cols+1,CV_8UC1））; //小图矩阵化单通道长宽+1
for（factor=1;;factor*=scale_factor） //成scale_factor倍数匹配
{
intpositive=0;
intx,y;
CvSizewin_size={cvRound（win_size0.width*factor）,
cvRound（win_size0.height*factor）}; //winsize 分类器行列（扩大factor倍）
CvSizesz={cvRound（img->cols/factor）,cvRound（img->rows/factor）}; //sz图像行列（缩小factor倍）三个Cvsize
CvSizesz1={sz.width–win_size0.width,sz.height–win_size0.height}; //sz1图像减分类器行列
CvRectrect1={icv_object_win_border,icv_object_win_border,
win_size0.width–icv_object_win_border*2, //icv_object_win_border（int）初始值=1
win_size0.height–icv_object_win_border*2}; //矩形框rect1
CvMatimg1,sum1,sqsum1,norm1,tilted1,mask1; //多通道矩阵
CvMat*_tilted=0;
if（sz1.width<=0||sz1.height<=0） //图片宽或高小于分类器–>跳出
break;
if（win_size.width继续
continue;
//CV_8UC1见定义.
//#defineCV_MAKETYPE（depth,cn）（（depth）+（（（cn）-1）<//深度+（cn-1）左移3位 depth，depth+8，depth+16，depth+24.
img1=cvMat（sz.height,sz.width,CV_8UC1,img_small->data.ptr）; //小图的矩阵化img1单通道
sum1=cvMat（sz.height+1,sz.width+1,CV_32SC1,sum->data.ptr）; //长宽+14通道8位 多通道矩阵
sqsum1=cvMat（sz.height+1,sz.width+1,CV_64FC1,sqsum->data.ptr）; //长宽+14通道16位
if（tilted）
{
tilted1=cvMat（sz.height+1,sz.width+1,CV_32SC1,tilted->data.ptr）; //长宽+14通道8位
_tilted=&tilted1; //长宽+14通道8位
}
norm1=cvMat（sz1.height,sz1.width,CV_32FC1,norm_img?
norm_img->data.ptr:
0）; //norm1图像减分类器行列4通道
mask1=cvMat（sz1.height,sz1.width,CV_8UC1,temp->data.ptr）; //mask1灰度图
cvResize（img,&img1,CV_INTER_LINEAR）; //img双线性插值输出到img1
cvIntegral（&img1,&sum1,&sqsum1,_tilted）; //计算积分图像
if（use_ipp&&icvRectStdDev_32s32f_C1R_p（sum1.data.i,sum1.step,
sqsum1.data.db,sqsum1.step,norm1.data.fl,norm1.step,sz1,rect1）<0）
use_ipp=0;
if（use_ipp） //如果ipp=true （intel视频处理加速等的函数库）
{
positive=mask1.cols*mask1.rows; //mask1长乘宽–>positive
cvSet（&mask1,cvScalarAll（255））; //mask1赋值为255
for（i=0;icount;i++）
{
if（icvApplyHaarClassifier_32s32f_C1R_p（sum1.data.i,sum1.step,
norm1.data.fl,norm1.step,mask1.data.ptr,mask1.step,
sz1,&positive,cascade->hid_cascade->stage_classifier[i].threshold,
cascade->hid_cascade->ipp_stages[i]）<0）
{
use_ipp=0; //ipp=false;
break;
}
if（positive<=0）
break;
}
}
if（!
use_ipp） //如果ipp=false
{
cvSetImagesForHaarClassifierCascade（cascade,&sum1,&sqsum1,0,1.）;
for（y=0,positive=0;y for（x=0;x {
mask1.data.ptr[mask1.step*y+x]=
cvRunHaarClassifierCascade（cascade,cvPoint（x,y）,0）>0; //匹配图像.
positive+=mask1.data.ptr[mask1.step*y+x];
}
}
if（positive>0）
{
for（y=0;y for（x=0;x if（mask1.data.ptr[mask1.step*y+x]!
=0）
{
CvRectobj_rect={cvRound（y*factor）,cvRound（x*factor）,
win_size.width,win_size.height};
cvSeqPush（seq,&obj_rect）; //将匹配块放到seq中
}
}
}
}
else //!
（flag&&匹配图）
{
cvIntegral（img,sum,sqsum,tilted）;
if（do_canny_pruning）
{
sumcanny=cvCreateMat（img->rows+1,img->cols+1,CV_32SC1）; //如果做canny边缘检测
cvCanny（img,temp,0,50,3）;
cvIntegral（temp,sumcanny）;
}
if（（unsigned）split_stage>=（unsigned）cascade->count||
cascade->hid_cascade->is_tree） {
split_stage=cascade->count;
npass=1;
}
for（factor=1;factor*cascade-
升级会员 