你知道 opencv 可以識别在圖檔中小貓的臉嗎？而且是拿來就能用，不需要其它的庫之類的。
之前我也不知道。
下面，我将會展示如何使用 opencv 的貓咪檢測器在圖檔中識别小貓的臉。同樣的，該技術也可以用在視訊流中。
<a target="_blank"></a>
haarcascade_frontalcatface.xml
haarcascade_frontalcatface_extended.xml
這兩個 haar cascade 檔案都将被用來在圖檔中檢測小貓的臉。實際上，我使用了相同的 cascades 分類器來生成這篇博文頂端的圖檔。
下面，我将會展示給你如何使用 howse 的 haar cascades 分類器來檢測圖檔中的小貓。
讓我們開始使用 opencv 來檢測圖檔中的貓咪。建立一個叫 cat_detector.py 的檔案，并且輸入如下的代碼:
<code># import the necessary packages</code>
<code>import argparse</code>
<code>import cv2</code>
<code></code>
<code># construct the argument parse and parse the arguments</code>
<code>ap = argparse.argumentparser()</code>
<code>ap.add_argument("-i", "--image", required=true,</code>
<code>help="path to the input image")</code>
<code>ap.add_argument("-c", "--cascade",</code>
<code>default="haarcascade_frontalcatface.xml",</code>
<code>help="path to cat detector haar cascade")</code>
<code>args = vars(ap.parse_args())</code>
第 2 和第 3 行主要是導入了必要的 python 包。6-12 行用于解析我們的指令行參數。我們僅要求一個必需的參數 <code>--image</code> ，它是我們要使用 opencv 檢測貓咪的圖檔。
我們也可以（可選的）通過 <code>--cascade</code> 參數指定我們的 haar cascade 分類器的路徑。預設使用<code>haarcascades_frontalcatface.xml</code>，假定這個檔案和你的 <code>cat_detector.py</code> 在同一目錄下。
注意：我已經打包了貓咪的檢測代碼，還有在這個教程裡的樣本圖檔。你可以在博文原文的 “下載下傳” 部分下載下傳到。如果你是剛剛接觸 python+opencv（或者 haar cascade），我建議你下載下傳這個 zip 壓縮包，這個會友善你跟着教程學習。
接下來，就是檢測貓的時刻了：
<code># load the input image and convert it to grayscale</code>
<code>image = cv2.imread(args["image"])</code>
<code>gray = cv2.cvtcolor(image, cv2.color_bgr2gray)</code>
<code># load the cat detector haar cascade, then detect cat faces</code>
<code># in the input image</code>
<code>detector = cv2.cascadeclassifier(args["cascade"])</code>
<code>rects = detector.detectmultiscale(gray, scalefactor=1.3,</code>
<code>minneighbors=10, minsize=(75, 75))</code>
在 15、16 行，我們從硬碟上讀取了圖檔，并且進行灰階化（這是一個在将圖檔傳給 haar cascade 分類器之前的常用的圖檔預處理步驟，盡管不是必須的）
20 行，從硬碟加載 haar casacade 分類器，即貓咪檢測器，并且執行個體化 <code>cv2.cascadeclassifier</code> 對象。
在 21、22 行通過調用 <code>detector</code> 的 <code>detectmultiscale</code> 方法使用 opencv 完成貓臉檢測。我們給<code>detectmultiscale</code> 方法傳遞了四個參數。包括：
圖檔 <code>gray</code>，我們要在該圖檔中檢測貓臉。
<code>minneighbors</code> 參數控制了檢定框的最少數量，即在給定區域内被判斷為貓臉的最少數量。這個參數可以很好的排除誤報false-positive結果。
最後，<code>minsize</code> 參數不言自明。這個值描述每個檢定框的最小寬高尺寸（機關是像素），這個例子中就是 75*75
<code>detectmultiscale</code> 函數會傳回 <code>rects</code>，這是一個 4 元組清單。這些元組包含了每個檢測到的貓臉的 (x,y) 坐标值，還有寬度、高度。
最後，讓我們在圖檔上畫下這些矩形來辨別貓臉：
<code># loop over the cat faces and draw a rectangle surrounding each</code>
<code>for (i, (x, y, w, h)) in enumerate(rects):</code>
<code>cv2.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), 2)</code>
<code>cv2.puttext(image, "cat #{}".format(i + 1), (x, y - 10),</code>
<code>cv2.font_hershey_simplex, 0.55, (0, 0, 255), 2)</code>
<code># show the detected cat faces</code>
<code>cv2.imshow("cat faces", image)</code>
<code>cv2.waitkey(0)</code>
給我們這些框（比如，rects）的資料，我們在 25 行依次周遊它。
在 26 行，我們在每張貓臉的周圍畫上一個矩形。27、28 行展示了一個整數，即圖檔中貓咪的數量。
最後，31，32 行在螢幕上展示了輸出的圖檔。
為了測試我們的 opencv 貓咪檢測器，可以在原文的最後，下載下傳教程的源碼。
然後，在你解壓縮之後，你将會得到如下的三個檔案/目錄:
cat_detector.py：我們的主程式
haarcascade_frontalcatface.xml： 貓咪檢測器 haar cascade
images：我們将會使用的檢測圖檔目錄。
到這一步，執行以下的指令：
<code>$ python cat_detector.py --image images/cat_01.jpg</code>
圖 1. 在圖檔中檢測貓臉，甚至是貓咪部分被遮擋了。
注意，我們已經可以檢測貓臉了，即使它的其餘部分是被遮擋的。
試下另外的一張圖檔:
<code>python cat_detector.py --image images/cat_02.jpg</code>
圖 2. 使用 opencv 檢測貓臉的第二個例子，這次貓臉稍有不同。
這次的貓臉和第一次的明顯不同，因為它正在發出“喵嗚”叫聲的當中。這種情況下，我們依舊能檢測到正确的貓臉。
在下面這張圖檔的結果也是正确的：
<code>$ python cat_detector.py --image images/cat_03.jpg</code>
圖 3. 使用 opencv 和 python 檢測貓臉
我們最後的一個樣例就是在一張圖中檢測多張貓臉:
<code>$ python cat_detector.py --image images/cat_04.jpg</code>
圖 4. 在同一張圖檔中使用 opencv 檢測多隻貓
注意，haar cascade 傳回的檢定框不一定是以你預期的順序。這種情況下，中間的那隻貓會被标記成第三隻。你可以通過判斷他們的 (x, y) 坐标來自己排序這些檢定框。
在這個 xml 檔案中的注釋非常重要，joseph hower 提到了這個貓臉檢測器有可能會将人臉識别成貓臉。
這種情況下，他推薦使用兩種檢測器（人臉 & 貓臉），然後将出現在人臉識别結果中的結果剔除掉。
這個算法能夠識别圖檔中的對象，無論它們的位置和比例。而且最令人感興趣的或許是它能在現有的硬體條件下實作實時檢測。
在他們的論文中，viola 和 jones 關注在訓練人臉檢測器；但是，這個架構也能用來檢測各類事物，如汽車、香蕉、路标等等。
haar cascades 最大的問題就是如何确定 <code>detectmultiscale</code> 方法的參數正确。特别是 <code>scalefactor</code> 和<code>minneighbors</code> 參數。你很容易陷入一張一張圖檔調參數的坑，這個就是該對象檢測器很難被實用化的原因。
換句話說，如果 <code>scalefactor</code> 參數過低，你會檢測過多的金字塔圖層。這雖然可以能幫助你檢測到更多的對象。但是他會造成計算速度的降低，還會明顯提高誤報率。haar cascades 分類器就是這樣。
上述的 hog + 線性 svm 架構的參數更容易調優。而且更好的誤報率也更低，但是唯一不好的地方是無法實時運算。
圖 5. 在 pyimagesearch gurus 課程中學習如何建構自定義的對象識别器。
如果你對學習如何訓練自己的自定義對象識别器感興趣，請務必要去了解下 pyimagesearch gurus 課程。
在這個課程中，我提供了 15 節課，覆寫了超過 168 頁的教程，來教你如何從 0 開始建構自定義的對象識别器。你會掌握如何應用 hog + 線性 svm 架構來建構自己的對象識别器來識别路标、面孔、汽車（以及附近的其它東西）。
盡管 haar cascades 相當有用，但是我們也經常用 hog + 線性 svm 替代。因為後者相對而言更容易使用，并且可以有效地降低誤報率。
原文釋出時間為：2016-07-21
本文來自雲栖社群合作夥伴“linux中國”