目前我正在研究一個涉及人臉分類的計算機視覺問題。這通常意味著需要應(yīng)用深度學(xué)習(xí)，因此在將圖像注入到我們的神經(jīng)網(wǎng)絡(luò)之前需要一個特殊的預(yù)處理階段。為了提高我們的模型精度，這是一項非常重要的任務(wù)，通過以下幾個簡單的步驟可以很好地完成。對于本文，我們使用OpenCV：一個高度優(yōu)化的計算機視覺開源庫，在C＋＋、java和Python中都可用。這是一篇簡短的文章，包含了一些基本的指導(dǎo)原則、示例和代碼，你可以根據(jù)需求將它們應(yīng)用到人臉分類或識別問題上。注意：本文中使用的所有靜態(tài)圖像都來自 圖片載入我們將使用imread（）函數(shù)加載圖像，指定文件的路徑和mode，第二個參數(shù)對于動態(tài)運行通道和像素轉(zhuǎn)換非常重要。mode：https：／／docs．opencv．org／4．1．0／d4／da8／group＿＿imgcodecs．html＃ga61d9b0126a3e57d9277ac48327799c80img ＝ cv2．imread（＇path／image．jpg＇， cv2．IMREAD＿COLOR）要查看圖像，我們有imshow（）函數(shù)：cv2．imshow（img）

如果你寫的是類型（img），你會看到尺寸是（height， weight， channels）。我們的彩色圖像有3個通道：藍色，綠色和紅色（在OpenCV中按這個順序）。

我們可以輕松查看單個通道：＃ Example for green channelimg［：， ：， 0］； img［：， ：， 2］； cv2．imshow（img）灰度版本為了避免在人臉圖像分類中的干擾項，使用黑白圖片是個好主意（也可能不是�。┠憧梢詢烧叨荚囋嚕�。為了得到灰度版本，我們只需要在圖像加載函數(shù)中指定，將適當?shù)闹底鳛榈诙�個參數(shù)傳遞：img ＝ cv2．imread（＇path／image．jpg＇， cv2．IMREAD＿GRAYSCALE）

現(xiàn)在我們的圖像有了一個單獨的通道！人臉和眼睛檢測當處理人臉分類問題時，我們可能想要做人臉檢測，來做人臉驗證任務(wù)（是否有臉？）。我們可以使用OpenCV中包含的基于Haar特性的級聯(lián)分類器進行人臉檢測。（https：／／docs．opencv．org／2．4／modules／objdetect／doc／cascade＿classification．html）首先，我們選擇預(yù)先訓(xùn)練的人臉和眼睛檢測分類器。有一個可用的XML文件列表，我們可以使用此列表：https：／／github．com／opencv／opencv／tree／master／data／haarcascades1）對于人臉檢測，OpenCV提供以下（從最寬松的先驗到最嚴格的先驗）：haarcascade＿frontalface＿default．xmlhaarcascade＿frontalface＿alt．xmlhaarcascade＿frontalface＿alt2．xmlhaarcascade＿frontalface＿alt＿tree．xml2） 對于眼睛檢測，我們可以選擇兩種方法：haarcascade＿eye．xmlhaarcascade＿eye＿tree＿eyegasses．xml我們以這種方式加載預(yù)先訓(xùn)練的分類器：face＿cascade ＝ cv2．CascadeClassifier（cv2．data．haarcascades ＋ ‘haarcascade＿frontalface＿default．xml’）eyes＿cascade ＝ cv2．CascadeClassifier（cv2．data．haarcascades ＋ ‘haarcascade＿eye．xml’）你可以測試幾種組合。記住，在所有情況下，它們中沒有一個是最優(yōu)的（如果第一個分類器失敗，你可以嘗試第二個分類器，或者甚至嘗試所有分類器）。對于人臉檢測，我們使用以下代碼：faces＿detected ＝ face＿cascade．detectMultiScale（img， scaleFactor＝1．1， minNeighbors＝5）結(jié)果是一個數(shù)組，包含所有檢測到的人臉。我們可以很容易地畫出矩形：（x， y， w， h） ＝ faces＿detected［0］cv2．rectangle（img， （x， y）， （x＋w， y＋h）， （0， 255， 0）， 1）；cv2．imshow（img）