概述：計(jì)算視覺(jué)是人工智能的一部分，旨在設(shè)計(jì)能夠像人類視覺(jué)一樣進(jìn)行觀察的智能算法。

在本文中，我們將介紹三個(gè)主要范圍。

· 人臉檢測(cè)

· 物體檢測(cè)

· 面部識(shí)別

· 對(duì)象跟蹤

在第一篇文章中，我們將重點(diǎn)介紹計(jì)算機(jī)視覺(jué)，以及基于 Python OpenCV 庫(kù)的人臉識(shí)別應(yīng)用。

在以后的文章中，我們將演示對(duì)象識(shí)別、人臉識(shí)別和對(duì)象跟蹤在實(shí)時(shí)視頻中的應(yīng)用。

目錄

1．介紹

2．人臉檢測(cè)算法

3．人臉檢測(cè)實(shí)現(xiàn)

4．OpenCV 的替代方案

5．結(jié)論

6．參考文獻(xiàn)

介紹

本文的讀者將能夠了解幾個(gè)視覺(jué)計(jì)算應(yīng)用程序的功能、它們?cè)诤笈_(tái)和架構(gòu)中的操作，以及實(shí)現(xiàn)應(yīng)用程序以供實(shí)際使用的必要步驟。

現(xiàn)在讓我們看看我們之前已經(jīng)討論過(guò)的一些可以在該領(lǐng)域開(kāi)發(fā)的其他應(yīng)用程序。

人臉檢測(cè)在找到人臉時(shí)會(huì)放一個(gè)小方框，并為這些人命名。我們將做一個(gè)有點(diǎn)類似于這個(gè)的實(shí)現(xiàn)。

我們有這張來(lái)自微軟的 Kinect 圖像，它與運(yùn)動(dòng)檢測(cè)的 Xbox 視頻游戲集成在一起。

當(dāng)有人移動(dòng)方向盤時(shí)，你可以使用計(jì)算機(jī)視覺(jué)來(lái)檢測(cè)控制汽車的人。需要計(jì)算機(jī)視覺(jué)技術(shù)來(lái)進(jìn)行圖像識(shí)別，也就是說(shuō)，機(jī)器人需要看到它面前的東西來(lái)做出決定。

另一個(gè)例子是自動(dòng)駕駛汽車。你可以注意到這輛車中有一系列傳感器，例如，它需要檢測(cè)行人以避免撞到人。

你需要檢測(cè)交通標(biāo)志或是否有紅綠燈。

如果信號(hào)為紅色，則必須停止，如果信號(hào)為綠色，則必須繼續(xù)。為此，使用計(jì)算機(jī)視覺(jué)技術(shù)，包括所使用的技術(shù)。這種人臉檢測(cè)技術(shù)也用于物體檢測(cè)。

如果他識(shí)別出軌道上的物體，他就必須采取某種行動(dòng)。增強(qiáng)現(xiàn)實(shí)、虛擬現(xiàn)實(shí)的想法使用計(jì)算機(jī)視覺(jué)技術(shù)。

這張SD光束的圖像顯示的是不存在的人。算法使用了一種叫做GAN的技術(shù)生成了這些人，即生成對(duì)抗網(wǎng)絡(luò)，這是深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)中的一個(gè)超級(jí)領(lǐng)域。

最后，我們還有另一個(gè)例子，稱為 deep Durin，它是由神經(jīng)網(wǎng)絡(luò)生成的圖像。你可以看到這些迷幻的圖像，在這個(gè)圖像的某些部分有一些特征，有一些動(dòng)物的痕跡，即算法已經(jīng)有了關(guān)于動(dòng)物的信息，關(guān)于這些動(dòng)物的圖像非常類似于一種算法，這種算法將圖像的特征與風(fēng)景圖像相結(jié)合。

一個(gè)應(yīng)用示例是深度人臉，它是人工智能創(chuàng)建的人臉。

人臉檢測(cè)算法

級(jí)聯(lián)分類器是一種算法，你將學(xué)習(xí)對(duì)某個(gè)對(duì)象進(jìn)行分類以開(kāi)始訓(xùn)練。

我們需要兩組圖像，第一組帶有你要檢測(cè)的正面圖像的人臉，第二組圖像稱為負(fù)圖像，它們不是簡(jiǎn)單的圖像。

例如，如果你想檢測(cè)汽車，你會(huì)將汽車作為正圖像，將各種型號(hào)和類型的汽車作為負(fù)圖像。

任何其他類型的圖像，你都需要將這兩組圖像提交給算法進(jìn)行訓(xùn)練。

在機(jī)器學(xué)習(xí)領(lǐng)域有一種叫做 Ada boost 的算法訓(xùn)練。我不會(huì)詳細(xì)介紹該算法的工作原理，但基本上，你把這個(gè)算法應(yīng)用到正圖像和負(fù)圖像上，這個(gè)想法就是特征選擇。

我們有幾個(gè)特征或者是這些黑色和白色的小方塊，你可以用這些特征來(lái)分類一張臉。

這些小方塊用于圖像的每個(gè)子窗口。

這個(gè)窗口概念表明它從左到右，從上到下移動(dòng)。

人臉檢測(cè)實(shí)現(xiàn)

我們將使用 Python OpenCV 庫(kù)，它是市場(chǎng)上用于開(kāi)發(fā)可視化計(jì)算應(yīng)用程序的主要工具之一。

下載訓(xùn)練截圖，以及帶有人臉識(shí)別訓(xùn)練的 Cascade Classifier．XLM 訓(xùn)練。

現(xiàn)在讓我們用 Python 展示我們的代碼：

import cv2 ＃ OpenCV Import

img ＝ cv2．imread（＇／content／imagem－computer－vision．jpg＇， cv2．IMREAD＿UNCHANGED） ＃ Import Image with Peoples

cv2＿imshow（img）

detector＿face ＝ cv2．CascadeClassifier（＇／content／haarcascade＿frontalface＿default．xml＇）

imagem＿cinza ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）

cv2＿imshow（imagem＿cinza）

deteccoes ＝ detector＿face．detectMultiScale（imagem＿cinza， scaleFactor＝1．3， minSize＝（30，30））

deteccoes

array（［［1635，  156，  147，  147］，
                 ［ 284，  262，  114，  114］，
                 ［1149，  260，  129，  129］，
                 ［ 928，  491，  171，  171］，
                 ［ 222，  507，  151，  151］］， dtype＝int32）

for （x， y， l， a） in deteccoes：

   ＃print（x， y， l， a）

   cv2．rectangle（img， （x， y）， （x ＋ l， y ＋ a）， （0，255，0）， 2）

cv2＿imshow（img）

我們通過(guò) Google Colab notebook 可視化了人臉識(shí)別的處理過(guò)程：

將返回?cái)?shù)字 5 表示他檢測(cè)到5張臉，我們有這些點(diǎn)來(lái)指示每張臉，以便你更好地理解，讓我們使用最后一張臉。

len（deteccoes） ＃ Fotal Faces＝ 5

5

OpenCV 的替代方案

在選擇 OpenCV 的替代方案時(shí)，我們采用了以下標(biāo)準(zhǔn)：

· 易于使用

· 可用性

· 可擴(kuò)展性

· 穩(wěn)健性

· 靈活性

以下是我的替代方案列表，遵循上述標(biāo)準(zhǔn)：

1.Microsoft Computer Vision API

2.AWS Rekognition

3.Google Cloud Vision API

4.Scikit－Image

5.SimpleCV

6.Azure Face API

7.DeepDream

8.IBM Watson Visual Recognition

9.Clarifi

10.DeepPy

結(jié)論

在本文中，我們使用 Python OpenCV 庫(kù)作為一種工具，以敏捷高效的方式加快人臉識(shí)別速度。

參考

       原文標(biāo)題 : 實(shí)現(xiàn)計(jì)算機(jī)視覺(jué)——人臉檢測(cè)