《AI硬件與Pyhthon編程實踐》08計算機視覺與人臉檢測寫字字帖

計算機視覺與人臉檢測人工智能開源硬件與python編程實踐情境導入新款的相機都采用了智能技術，能夠自動檢測到取景框內(nèi)的人臉，自動往人臉對焦，拍下高質(zhì)量的照片。智能手機的相機功能也都采用了自動跟蹤人臉、自動對焦的技術，輔助人們拍下美好畫面。人臉檢測與自動跟蹤技術在校園出入控制、智慧教室等系統(tǒng)中均有應用，也是進一步開展人臉識別的基礎。任務與目標了解人臉檢測技術的基本原理、Haar相關算法和應用框架；掌握運用人工智能開源硬件設計人臉檢測應用的方法，提升Python語言的編程能力；通過Python編程，調(diào)用HaarCascade算法，實現(xiàn)人臉檢測功能；針對生活應用場景，進一步開展創(chuàng)意設計，設計針對校園安防等需求的具有實用性的人臉檢測應用系統(tǒng)。知識拓展：聚類與分類聚類是將數(shù)據(jù)對象集合劃分成相似的對象類的過程，使得同一個類中的對象之間具有較高的相似性，而不同類中的對象具有較高的相異性。分類則是按照某種標準給對象貼標簽，再根據(jù)標簽來區(qū)分歸類。也就是說，分類情況下事先定義好了類別，類別數(shù)不再變化。知識拓展：區(qū)別與聯(lián)系分類器需要事先由包含人工標注類別的訓練數(shù)據(jù)訓練得到，屬于有監(jiān)督的學習。聚類則沒有事先預定的類別，類別數(shù)不確定。聚類不需要人工標注和預先訓練分類器，類別在聚類過程中自動生成，是一種無監(jiān)督學習。知識拓展：Haar-like特征Haar-like特征一種常用的圖像特征描述算子，在機器視覺領域應用很廣；分為邊緣特征、線性特征、中心特征和對角線特征等，組合成特征模板。特征模板內(nèi)只有白色和黑色兩種矩形，并定義該模板的特征值為白色矩形像素和減去黑色矩形像素和。知識拓展：人臉Haar-like特征對于人臉圖像，臉部的一些特征能由矩形特征來簡單描述，如：眼睛要比臉頰顏色要深，鼻梁兩側(cè)比鼻梁顏色要深，嘴巴比周圍顏色要深等。在人臉檢測應用中，將任意一個矩形模板移動到人臉區(qū)域上，計算將白色區(qū)域的像素和減去黑色區(qū)域的像素和，得到的值就是屬于人臉的特征值。通過Haar-like特征的計算實現(xiàn)了人臉特征的量化，以便區(qū)分人臉和非人臉。知識拓展：Haar-like特征計算方法對于一個灰度圖像I而言，其積分圖也是一張與I尺寸相同的圖，只不過該圖上任意一點(x,y)的值是指從灰度圖像I的左上角與當前點所圍成的矩形區(qū)域內(nèi)所有像素點灰度值之和。當把掃描圖像一遍，到達圖像右下角像素時，積分圖像就構造好了。積分圖構造好之后，圖像中任何矩陣區(qū)域的像素累加和都可以通過簡單運算得到。只遍歷一次圖像就可以求出圖像中所有區(qū)域像素和的快速算法，大大的提高了圖像特征值計算的效率。知識拓展：弱學習與強學習弱學習就是指一個學習算法對一組概念的識別率只比隨機識別好一點；強學習指一個學習算法對一組概率的識別率很高。研究工作表明，只要有足夠的數(shù)據(jù)，弱學習算法就能通過集成的方式生成任意高精度的強學習方法。知識拓展：Adaboost算法初步各種Haar特征，每一個小黑白塊就是一種規(guī)則，也是一種特征，也是一個分類器。它們都是弱分類器。把一批準確率很差的弱分類器級聯(lián)在一起，變成一個強分類器知識拓展：Adaboost迭代過程先通過對N個訓練樣本的學習得到第一個弱分類器；將分錯的樣本和其他的新數(shù)據(jù)一起構成一個新的N個的訓練樣本，通過對這個樣本的學習得到第二個弱分類器；將前面都分錯了的樣本加上其他的新樣本構成另一個新的N個的訓練樣本，通過對這個樣本的學習得到第三個弱分類器；依次繼續(xù)。然后把這些弱分類器集合起來，構成一個強分類器。知識拓展：Haar分類器的訓練采集人臉圖像，建立人臉、非人臉樣本集；計算Haar-like特征值和積分圖；進行弱分類器訓練，篩選出T個最優(yōu)弱分類器；把這T個最優(yōu)弱分類器傳給AdaBoost算法，訓練出區(qū)分人臉和非人臉的強分類器；使用篩選式級聯(lián)把強分類器級聯(lián)到一起，提高準確率。知識拓展：利用haar算子實現(xiàn)人臉檢測對比檢查分成了多個階段，后一階段的運行以先前階段的完成為前提。設計與實踐攝像頭工作參數(shù)設置加載Haar算子啟動人臉檢測Python編程及實現(xiàn)運行結(jié)果分析攝像頭工作參數(shù)設置HaarCascade算法采用的是黑白像素特征，積分圖也是在灰度圖像上生成的。在人臉檢測應用中，攝像頭要設置為灰度圖模式：sensor.set_contrast(1) #設置相機圖像對比度，范圍從-3至+3；sensor.set_gainceiling(16) #設置相機圖像增益上限，參數(shù)范圍：2,4,8,16,32,64,128；sensor.set_framesize(sensor.HQVGA) #設置攝像頭分辨率為HQVGA:240x160sensor.set_pixformat(sensor.GRAYSCALE)#灰度圖，每像素為8位、1字節(jié)。注意人臉識別只能用灰度圖；加載Haar算子加載Haar模型的方法：classimage.HaarCascade(path[,stages=Auto])其中，stages為HaarCascade級聯(lián)分類器的總階段數(shù)，也就是強分類器的個數(shù)。Stages值要根據(jù)實際情況來選擇：設置較低的階段數(shù)可以得到較快的檢測速度，但誤識率也會較高；設置較高的階段數(shù)可提高識別準確度，但犧牲了檢測速度。HaarCascade內(nèi)置有已經(jīng)訓練好的haar模型，如“frontalface”人臉模型或者“eye”人眼模型，編程時直接指定即可。啟動人臉檢測的過程控制攝像頭的工作，定時捕捉圖像幀；啟動HaarCascade分類器工作，檢測出圖像幀中所有的人臉區(qū)域；在圖像幀中標注出所有檢測到的人臉區(qū)域；檢測人臉使用image.find_features(cascade[,threshold=0.5[,scale=1.5[,roi]]])方法，搜索與HaarCascade匹配的所有區(qū)域的圖像，返回所檢測到的邊界框矩形元組(x，y，w，h)列表。若未發(fā)現(xiàn)，則返回空列表。cascade是HaarCascade對象。threshold是浮點數(shù)（0.0-1.0），較小的值在提高檢測速率同時增加誤報率。scale是必須大于1.0的浮點數(shù)。較高的比例因子運行更快，但其圖像匹配相應較差。理想值介于1.35-1.5之間。Python編程及實現(xiàn)face_cascade=image.HaarCascade("frontalface",stages=25)while(True): img=sensor.snapshot() #捕捉圖像幀 objects=img.find_features(face_cascade,threshold=0.75,scale=1.35)

forrinobjects: #在找到的目標對象上畫框，標記出來；img.draw_rectangle(r)調(diào)試經(jīng)驗如果視頻區(qū)顯示出攝像頭捕捉的圖像幀質(zhì)量過低，繼續(xù)進行人臉檢測將沒有意義。這時需要調(diào)節(jié)攝像頭的工作參數(shù)。如果圖像偏暗，則對LED編程進行補光；人臉處于逆光狀態(tài)，人臉部分的圖像特征模糊，對人臉檢測很不利。調(diào)試程序時更換人臉位置，避開這種情況；如果視頻顯示正常，但沒有檢測到人臉區(qū)域，或者檢測到了錯誤的區(qū)域，這是需要檢測HaarCascade相關函數(shù)的編程中，各種工作參數(shù)設置是否合適。包括HaarCascade函數(shù)中的階段數(shù)，find_features函數(shù)中的閾值和比例因子等，調(diào)節(jié)參數(shù)的取值，觀察識別率、誤識率、計算速度等方面的變化，確定所使用開發(fā)系統(tǒng)的最佳工作參數(shù)。分析與思考編程案例中是利用計算機視覺開源庫中已經(jīng)訓練好的Haar人臉檢測模型數(shù)據(jù)，如何自行訓練出人臉檢測Haar模型？如何在程序中調(diào)用外部的Haar模型？提出你的