人工智能技术应用导论 第4章 计算机视觉.ppt

“感谢大家认真学习本节课内容，我们下节课再见” 03 应用开发流程 训练模型 03 应用开发流程 模型部署 03 应用开发流程 创建应用 03 应用开发流程 调用应用 案例体验 4.3 案例体验1:人脸检测 01 案例体验2:边缘检测 02 01 案例体验1:人脸检测 目标 完成图片多人脸检测功能的应用开发。 效果如图所示： CascadeClassifier是OpenCV用来做目标检测的一个级联分类器。并且可以使用Haar和LBP两种特征。 Haar特征是一种反映图像灰度变化，通过像素分模块求差值的一种特征。 Haar特征包括四种特征描述方式：边缘特征、线性特征、中心特征和对角线特征。 脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，嘴巴比周围颜色要深等。 02 案例体验1:人脸检测 分析 # 人脸检测模型应用-图片人脸检测 from cv2 import cv2 # 读取待处理图像 img = cv2.imread(facedetect2.jpg, cv2.IMREAD_COLOR) # 加载正面人脸检测分类器 face_data = cv2.CascadeClassifier(haarcascade_frontalface_default.xml) # 检测人脸 faces = face_data.detectMultiScale(img, 1.3, 2) # 根据返回绘制人脸矩形框 for x, y, w, h in faces: cv2.rectangle(img, (x, y), (x+w, y+h), (0,255,0), 1) # 显示图像 cv2.imshow(img, img) cv2.waitKey(0) cv2.destroyAllWindows() 02 案例体验1:人脸检测 实现 Haar特征采用了矩阵积分图来加速矩阵计算。 02 案例体验1:人脸检测 知识点 CascadeClassifier人脸检测。 调用CascadeClassifier中的detectMultiScale(image, scaleFactor, minNeighbors)函数进行人脸检测 参数1为image，代码中img为输入的图像； 参数2为scaleFactor，表示在前后两次相继的扫描中，搜索窗口的比例系数； 参数3为minNeighbors，表示构成检测目标的相邻矩形的最小个数(默认为3个)。 02 案例体验1:人脸检测 知识点 矩形框绘制 通过cv2.rectangle(img, pt1, pt2, color, thickness)绘制矩形框 参数1为image，即输入的图像； 参数2为pt1，表示矩形框左上角的点的坐标； 参数3为pt2，表示矩形框右下角的点的坐标； 参数4为color，表示为绘制的矩形框的颜色，由三个通道数值决定； 参数5为thickness，表示绘制的矩形框的粗细。 02 案例体验1:人脸检测 知识点 01 案例体验2:边缘检测 目标 改进4.2.2中的Canny边缘检测，对手写数字“69”图像进行边缘检测，使效果更加明显。 效果如图所示： 原图 改进前 改进后 01 案例体验2:边缘检测 分析 对于4.2.2中的Canny边缘检测的示例，虽然检测出了手写数字“69”的边缘，但是在数字内部还存在很多干扰信息，还需要进一步改进 通过4.2.2中的otsu阈值分割方法，将图像二值化，使得前景和背景更加明显，再进行边缘检测。 效果如下： 原图 otsu阈值分割图 边缘检测效果图 01 案例体验2:边缘检测 实现 # 导入OpenCV、numpy import cv2 import numpy as np # 读取图片数据 img = cv2.imread(handwriting.jpg, 0) # 先进行otsu阈值分割 retl, thl = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU) # 对进行了otsu阈值分割的图像，进行Canny边缘检测 edge3 = cv2.Canny(thl, 30, 70) # 用numpy拼接图像矩阵 tmp = np.hstack((img, thl, edge3)) # 创建显示窗口 dWindow(Canny,