博客

ORB算法

orb算法结合了Fast和Brief算法，提出了构造金字塔，为Fast特征点添加了方向，从而使得关键点具有了尺度不变性和旋转不变性。

# orb算法结合了Fast和Brief算法，提出了构造金字塔，为Fast特征点添加了方向，从而使得关键点具有了尺度不变性和旋转不变性。


import  numpy as np
import  cv2 as cv
import matplotlib.pyplot as plt;
img=cv.imread('opencv_4.png')

orb=cv.ORB_create(nfeatures=5000)

kp,des=orb.detectAndCompute(img,None)


img2=cv.drawKeypoints(img,kp,None,color=(0,0,255),flags=0)

plt.figure(figsize=(10,8),dpi=100)
plt.imshow(img2[:,:,::-1])
plt.xticks([]),plt.yticks([])
plt.show()

视频读写

import numpy as np
import  cv2 as cv
cap=cv.VideoCapture('opencv_5.wmv')
while(cap.isOpened()):
    ret,frame=cap.read()
    if ret ==True:
        cv.imshow('frame',frame)
    if cv.waitKey(25)&0xFF==ord('q'):
        break
cap.release()
cv.destroyWindow()

图像人脸识别

第一个写的，但是debug还是没有调试出来

import cv2 as cv
import matplotlib.pyplot as plt
img=cv.imread('img.png')
gray=cv.cvtColor(img,cv.COLOR_RGB2GRAY)

# 实例化Openncv人脸和眼睛识别的分类器
face_cas=cv.CascadeClassifier("D:/anaconda3/anaconda3/envs/MachineLearning/Library/etc/haarcascades/haarcascade_frontalface_default.xml")
face_cas.load('haarcascade_frontalface_default.xml')

eye_cas=cv.CascadeClassifier("D:/anaconda3/anaconda3/envs/MachineLearning/Library/etc/haarcascades/haarcascade_eye.xml")
eye_cas.load("haarcascade_eye.xml")

# 调用识别人脸
face_rects=face_cas.detectMultiScale(gray,scaleFactor=1.2,minNeighbors=3,minSize=(50,50))
for faceRects in face_rects:
    x,y,w,h =faceRects
#框出人脸
cv.rectangle(img,(x,y),(x+h,y+w),(0,255,0),3)
# 在识别出的人脸中进行眼睛的检测
roi_color=img[y:y+h,x:x+w]
roi_gray=gray[y:y+h,x:x+w]
eyes=eye_cas.detectMultiScale(roi_gray)
for(ex,ey,ew,eh) in eyes:
    cv.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)

# 检测结果绘制
plt.figure(figsize=(8,6),dpi=100)
cv.imshow(img,"img")
cv.waitKey(0)

第二个：

import  cv2 as cv
import mediapipe as mp
# 进度条库
import  tqdm

import matplotlib.pyplot as plt

# 定义可视化函数
def look_img(img):
    img_RGB=cv.cvtColor(img,cv.COLOR_BGR2RGB)
    plt.imshow(img_RGB)
    plt.show()

# 导入BlazeFace人脸检测模型
mp_face_detection=mp.solutions.face_detection

# help(mp_face_detection.FaceDetection)


model=mp_face_detection.FaceDetection(
    min_detection_confidence=0.5,#置信度阈值，过滤掉小于置信度 的预测框
    model_selection=0,#选择模型，0适用于人脸距离镜头近（2m以内），1适用于距离远（5m以内）
)


img=cv.imread('img.png')
look_img(img)


# 将图像输入模型，获取预测结果
img_RGB=cv.cvtColor(img,cv.COLOR_BGR2RGB)

result=model.process(img_RGB)

print(result.detections)
# 上面可以看到所有人脸检测效果坐标
'''
  relative_bounding_box {
    xmin: 0.23513855040073395
    ymin: 0.3091171085834503
    width: 0.5619093179702759
    height: 0.5618590116500854
  }
  以上是输出结果，，证明只有一个人脸框的相对信息，的确图片中也只有一个人像
'''

# 可视化人脸检测结果
mp_drawing=mp.solutions.drawing_utils

keypoint_style=mp_drawing.DrawingSpec(thickness=5,circle_radius=5,color=(0,255,0))

# 人脸检测框样式
box_style=mp_drawing.DrawingSpec(thickness=5,circle_radius=5,color=(255,0,0))

# 可视化人脸关键点和人脸框
annotated_image=img.copy()
for detection in result.detections:
    mp_drawing.draw_detection(
        annotated_image,
        detection,
        keypoint_drawing_spec=keypoint_style,
        bbox_drawing_spec=box_style
    )

look_img(annotated_image)
cv.imwrite('TestA',annotated_image)

摄像头实时人脸检测

主要运用了mediapipe包，可以调用摄像头并且显示多个人脸的时候都可以进行识别，测试时还可以识别出图片和动物的头像

import mediapipe  as  mp
import cv2 as cv
from tqdm import tqdm
import time

# 导入模型
mp_face_detection=mp.solutions.face_detection
model=mp_face_detection.FaceDetection(
    min_detection_confidence=0.5,
    model_selection=0,
)

# 导入可视化样式
# 可视化人脸检测结果
mp_drawing=mp.solutions.drawing_utils

keypoint_style=mp_drawing.DrawingSpec(thickness=5,circle_radius=5,color=(0,255,0))

# 人脸检测框样式
box_style=mp_drawing.DrawingSpec(thickness=5,circle_radius=5,color=(255,0,0))


# 处理单帧的函数
def process_frame(img):
    #记录该帧处理的开始时间
    start_time=time.time()
    img_RGB=cv.cvtColor(img,cv.COLOR_BGR2RGB)
    result=model.process(img_RGB)
    if result.detections:
        for detection in result.detections:
            mp_drawing.draw_detection(
             img,
            detection,
            keypoint_drawing_spec=keypoint_style,
            bbox_drawing_spec=box_style
        )
    #记录该帧处理完毕的时间
    end_time=time.time()
    #计算每秒处理图像的帧数FPS
    FPS=1/(end_time-start_time)
    scaler=1
    img=cv.putText(img,'FPS'+str(int(FPS)),(25*scaler,50*scaler),cv.FONT_HERSHEY_SIMPLEX,1.25*scaler,(255,0,0),1,8)
    return img



#调用摄像获取每帧
cap=cv.VideoCapture(0)

cap.open(0)
# 无限循环，直到break被触发
while cap.isOpened():
    success,frame=cap.read()
    # if not success:
    #     print('ERROR')
    #     break
    frame=process_frame(frame)
    #展示处理后的三通道图像
    cv.imshow('my_window',frame)
    if cv.waitKey(1) &0xff==ord('q'):
        break

cap.release()
cv.destroyAllWindows()