【平面网格划分 源码】【vb斗地主源码】【学生管理 asp源码】opencv haar源码

时间:2024-12-24 07:11:47 编辑:apache ab源码 来源:unity游戏源码

1.opencv是源码什么
2.如何用OpenCV训练自己的分类器
3.LBP特征和LPQ特征
4.VS2019+OpenCV版本中相关haarcascades (.xml) 文件运行不成功原因及解决方法: 主要有两点 (记录一下)
5.如何用OPENCV和VC实现人眼识别功能?
6.基于OpenCV的组合动作常规摄像头人脸活体检测识别系统

opencv haar源码

opencv是什么

       请问OpenCV和OpenGL有什么关系

       1、OpenGL就是源码工业标准的显示API,定义了一系列的源码函数,调用这些函数就可以来操作显卡,源码实现画2维3维。源码当然不同的源码平面网格划分 源码显卡公司,会根据自己的源码显卡和GPU来具体实现这些函数。

       2、源码OpenCV是源码 Open Source Computer Vision Library OpenGL是 Open Graphics Library OpenCV主要是提供图像处理和视频处理的基础算法库,还涉及一些机器学习的源码算法。

       3、源码这三个都是源码api,opencl是源码gpu通用编程的api,就是源码用显卡做常规的数学运算,而非处理图形。源码opengl 于是directx 3d类似,都是图形api,用于编程调用显卡画图。

       4、简单点理解opengl做游戏,opencv是工业应用。是两个不同的库,OpenCV是一个基于(开源)发行的跨平台计算机视觉库,OpenGL(全写OpenGraphicsLibrary)是个定义了一个跨编程语言、跨平台的编程接口规格的专业的图形程序接口。

openCV是vb斗地主源码什么意思,什么技术

       1、OpenCV是一款由Intel公司俄罗斯团队发起并参与和维护的一个计算机视觉处理开源软件库,支持与计算机视觉和机器学习相关的众多算法,并且正在日益扩展。OpenCV基于C++实现,同时提供python, Ruby, Matlab等语言的接口。

       2、OpenCV是一个基于BSD许可证授权(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows和Mac OS操作系统上。

       3、是人工智能。OpenCV(OpenSourceComputerVisionLibrary)技术是人工智能发展的一个方向,它是源代码开放的计算机视觉库,处理图像和视频的功能十分丰富。

       4、opencv介绍OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、Android和MacOS操作系统上。

       5、OpenCV是Intel开源计算机视觉库。它由一系列 C 函数和少量 C++ 类构成,实现了图像处理和计算机视觉方面的学生管理 asp源码很多通用算法。重要特性 OpenCV 拥有包括 多个C函数的跨平台的中、高层 API。

       6、OpenCV是一个开源的图像处理库,QML是Qt官方推出的一个描述性语言,QtMarkupLanguage,QtQuick也是Qt官方推出的一个技术框架,在开发嵌入式、动态触屏等时有一定的优势。

openni,opencv,opengl这三个到底是什么?有什么关系?做什么用?

       1、就是做软件的界面。OPENCV做视频处理。比如,你可以对一个视频的每一真做Haar的人脸检测,找出这个视频中,出现人脸的坐标。

       2、它实现了大量点云相关的通用算法和高效数据结构,涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、flash 拖拽 吸附 源码追踪、曲面重建、可视化等。

       3、DirectX是一种图形应用程序接口(API),简单的说它是一个辅助软件,一个提高系统性能的加速软件,微软创建开发的。

       4、Netcool是指一套解决方案产品。OMNIBus是其核心组成部分,一个内存数据库。Impact算是一个扩展平台。

OpenCV是什么

       OpenCV是一款由Intel公司俄罗斯团队发起并参与和维护的一个计算机视觉处理开源软件库,支持与计算机视觉和机器学习相关的众多算法,并且正在日益扩展。OpenCV基于C++实现,同时提供python, Ruby, Matlab等语言的接口。

       OpenCV是一个成熟而强大的计算机视觉库,用于执行实时图像分析,因此对于机器人应用非常有用。这个库是跨平台的,有一个Python API(cv2),asp源码吧404我们将在本次实验中使用它来完成一些我们自己的计算机视觉任务。

       OpenCV可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。

如何用OpenCV训练自己的分类器

       ã€€ã€€ä¸€ã€ç®€ä»‹

       ã€€ã€€ç›®æ ‡æ£€æµ‹æ–¹æ³•æœ€åˆç”±Paul Viola [Viola]提出,并由Rainer Lienhart [Lienhart]对这一方法进行了改善。该方法的基本步骤为: 首先,利用样本(大约几百幅样本图片)的 harr 特征进行分类器训练,得到一个级联的boosted分类器。

       ã€€ã€€åˆ†ç±»å™¨ä¸­çš„"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中,被检窗口依次通过每一级分类器, 这样在前面几层的检测中大部分的候选区域就被排除了,全部通过每一级分类器检测的区域即为目标区域。

       ã€€ã€€åˆ†ç±»å™¨è®­ç»ƒå®Œä»¥åŽï¼Œå°±å¯ä»¥åº”用于输入图像中的感兴趣区域的检测。检测到目标区域分类器输出为1,否则输出为0。为了检测整副图像,可以在图像中移动搜索窗口,检测每一个位置来确定可能的目标。 为了搜索不同大小的目标物体,分类器被设计为可以进行尺寸改变,这样比改变待检图像的尺寸大小更为有效。所以,为了在图像中检测未知大小的目标物体,扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。

       ã€€ã€€ç›®å‰æ”¯æŒè¿™ç§åˆ†ç±»å™¨çš„boosting技术有四种: Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。

       ã€€ã€€"boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票),并利用基础分类器的自我训练得到。

       ã€€ã€€æ ¹æ®ä¸Šé¢çš„分析,目标检测分为三个步骤:

       ã€€ã€€1、 样本的创建

       ã€€ã€€2、 训练分类器

       ã€€ã€€3、 利用训练好的分类器进行目标检测。

       ã€€ã€€äºŒã€æ ·æœ¬åˆ›å»º

       ã€€ã€€è®­ç»ƒæ ·æœ¬åˆ†ä¸ºæ­£ä¾‹æ ·æœ¬å’Œåä¾‹æ ·æœ¬ï¼Œå…¶ä¸­æ­£ä¾‹æ ·æœ¬æ˜¯æŒ‡å¾…检目标样本,反例样本指其它任意图片。

       ã€€ã€€è´Ÿæ ·æœ¬

       ã€€ã€€è´Ÿæ ·æœ¬å¯ä»¥æ¥è‡ªäºŽä»»æ„çš„图片,但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件,每一行包含了一个负样本图片的文件名(基于描述文件的相对路径)。该文件创建方法如下:

       ã€€ã€€é‡‡ç”¨Dos命令生成样本描述文件。具体方法是在Dos下的进入你的图片目录,比如我的图片放在D:\face\posdata下,则:

       ã€€ã€€æŒ‰Ctrl+R打开Windows运行程序,输入cmd打开DOS命令窗口,输入d:回车,再输入cd D:\face\negdata进入图片路径,再次输入dir /b > negdata.dat,则会图片路径下生成一个negdata.dat文件,打开该文件将最后一行的negdata.dat删除,这样就生成了负样本描述文件。dos命令窗口结果如下图:

       ã€€ã€€å¦‚何用OpenCV训练自己的分类器

       ã€€ã€€æ­£æ ·æœ¬

       ã€€ã€€å¯¹äºŽæ­£æ ·æœ¬ï¼Œé€šå¸¸çš„做法是先把所有正样本裁切好,并对尺寸做规整(即缩放至指定大小),如下图所示:

       ã€€ã€€å¦‚何用OpenCV训练自己的分类器

       ã€€ã€€ç”±äºŽHaarTraining训练时输入的正样本是vec文件,所以需要使用OpenCV自带的CreateSamples程序(在你所按照的opencv\bin下,如果没有需要编译opencv\apps\HaarTraining\make下的.dsw文件,注意要编译release版的)将准备好的正样本转换为vec文件。转换的步骤如下:

       ã€€ã€€1) 制作一个正样本描述文件,用于描述正样本文件名(包括绝对路径或相对路径),正样本数目以及各正样本在图片中的位置和大小。典型的正样本描述文件如下:

       ã€€ã€€posdata/1().bmp 1 1 1

       ã€€ã€€posdata/1().bmp 1 1 1

       ã€€ã€€posdata/1().bmp 1 1 1

       ã€€ã€€ä¸è¿‡ä½ å¯ä»¥æŠŠæè¿°æ–‡ä»¶æ”¾åœ¨ä½ çš„posdata路径(即正样本路径)下,这样你就不需要加前面的相对路径了。同样它的生成方式可以用负样本描述文件的生成方法,最后用txt的替换工具将“bmp”全部替换成“bmp 1 1 1

       ã€€ã€€â€å°±å¯ä»¥äº†ï¼Œå¦‚果你的样本图片多,用txt替换会导致程序未响应,你可以将内容拷到word下替换,然后再拷回来。bmp后面那五个数字分别表示图片个数,目标的起始位置及其宽高。这样就生成了正样本描述文件posdata.dat。

       ã€€ã€€2) 运行CreateSamples程序。如果直接在VC环境下运行,可以在Project\Settings\Debug属性页的Program arguments栏设置运行参数。下面是一个运行参数示例:

       ã€€ã€€-info D:\face\posdata\posdata.dat -vec D:\face\pos.vec -num -w -h

       ã€€ã€€è¡¨ç¤ºæœ‰ä¸ªæ ·æœ¬ï¼Œæ ·æœ¬å®½ï¼Œé«˜ï¼Œæ­£æ ·æœ¬æè¿°æ–‡ä»¶ä¸ºposdata.dat,结果输出到pos.vec。

       ã€€ã€€æˆ–者在dos下输入:

       ã€€ã€€"D:\Program Files\OpenCV\bin\createsamples.exe" -info "posdata\posdata.dat" -vec data\pos.vec -num -w -h

       ã€€ã€€è¿è¡Œå®Œäº†ä¼šd:\face\data下生成一个*.vec的文件。该文件包含正样本数目,宽高以及所有样本图像数据。结果入下图:

       ã€€ã€€å¦‚何用OpenCV训练自己的分类器

       ã€€ã€€Createsamples程序的命令行参数:

       ã€€ã€€å‘½ä»¤è¡Œå‚数:

       ã€€ã€€ï¼vec <vec_file_name>

       ã€€ã€€è®­ç»ƒå¥½çš„正样本的输出文件名。

       ã€€ã€€ï¼img<image_file_name>

       ã€€ã€€æºç›®æ ‡å›¾ç‰‡ï¼ˆä¾‹å¦‚:一个公司图标)

       ã€€ã€€ï¼bg<background_file_name>

       ã€€ã€€èƒŒæ™¯æè¿°æ–‡ä»¶ã€‚

       ã€€ã€€ï¼num<number_of_samples>

       ã€€ã€€è¦äº§ç”Ÿçš„正样本的数量,和正样本图片数目相同。

       ã€€ã€€ï¼bgcolor<background_color>

       ã€€ã€€èƒŒæ™¯è‰²ï¼ˆå‡å®šå½“前图片为灰度图)。背景色制定了透明色。对于压缩图片,颜色方差量由bgthresh参数来指定。则在bgcolor-bgthresh和bgcolor+bgthresh中间的像素被认为是透明的。

       ã€€ã€€ï¼bgthresh<background_color_threshold>

       ã€€ã€€ï¼inv

       ã€€ã€€å¦‚果指定,颜色会反色

       ã€€ã€€ï¼randinv

       ã€€ã€€å¦‚果指定,颜色会任意反色

       ã€€ã€€ï¼maxidev<max_intensity_deviation>

       ã€€ã€€èƒŒæ™¯è‰²æœ€å¤§çš„偏离度。

       ã€€ã€€ï¼maxangel<max_x_rotation_angle>

       ã€€ã€€ï¼maxangle<max_y_rotation_angle>,

       ã€€ã€€ï¼maxzangle<max_x_rotation_angle>

       ã€€ã€€æœ€å¤§æ—‹è½¬è§’度,以弧度为单位。

       ã€€ã€€ï¼show

       ã€€ã€€å¦‚果指定,每个样本会被显示出来,按下"esc"会关闭这一开关,即不显示样本图片,而创建过程继续。这是个有用的debug选项。

       ã€€ã€€ï¼w<sample_width>

       ã€€ã€€è¾“出样本的宽度(以像素为单位)

       ã€€ã€€ï¼h《sample_height》

       ã€€ã€€è¾“出样本的高度,以像素为单位。

       ã€€ã€€åˆ°æ­¤ç¬¬ä¸€æ­¥æ ·æœ¬è®­ç»ƒå°±å®Œæˆäº†ã€‚恭喜你,你已经学会训练分类器的五成功力了,我自己学这个的时候花了我一天的时间,估计你几分钟就学会了吧。

       ã€€ã€€ä¸‰ã€è®­ç»ƒåˆ†ç±»å™¨

       ã€€ã€€æ ·æœ¬åˆ›å»ºä¹‹åŽï¼ŒæŽ¥ä¸‹æ¥è¦è®­ç»ƒåˆ†ç±»å™¨ï¼Œè¿™ä¸ªè¿‡ç¨‹æ˜¯ç”±haartraining程序来实现的。该程序源码由OpenCV自带,且可执行程序在OpenCV安装目录的bin目录下。

       ã€€ã€€Haartraining的命令行参数如下:

       ã€€ã€€ï¼data<dir_name>

       ã€€ã€€å­˜æ”¾è®­ç»ƒå¥½çš„分类器的路径名。

       ã€€ã€€ï¼vec<vec_file_name>

       ã€€ã€€æ­£æ ·æœ¬æ–‡ä»¶åï¼ˆç”±trainingssamples程序或者由其他的方法创建的)

       ã€€ã€€ï¼bg<background_file_name>

       ã€€ã€€èƒŒæ™¯æè¿°æ–‡ä»¶ã€‚

       ã€€ã€€ï¼npos<number_of_positive_samples>,

       ã€€ã€€ï¼nneg<number_of_negative_samples>

       ã€€ã€€ç”¨æ¥è®­ç»ƒæ¯ä¸€ä¸ªåˆ†ç±»å™¨é˜¶æ®µçš„æ­£/负样本。合理的值是:nPos = ;nNeg =

       ã€€ã€€ï¼nstages<number_of_stages>

       ã€€ã€€è®­ç»ƒçš„阶段数。

       ã€€ã€€ï¼nsplits<number_of_splits>

       ã€€ã€€å†³å®šç”¨äºŽé˜¶æ®µåˆ†ç±»å™¨çš„弱分类器。如果1,则一个简单的stump classifier被使用。如果是2或者更多,则带有number_of_splits个内部节点的CART分类器被使用。

       ã€€ã€€ï¼mem<memory_in_MB>

       ã€€ã€€é¢„先计算的以MB为单位的可用内存。内存越大则训练的速度越快。

       ã€€ã€€ï¼sym(default)

       ã€€ã€€ï¼nonsym

       ã€€ã€€æŒ‡å®šè®­ç»ƒçš„目标对象是否垂直对称。垂直对称提高目标的训练速度。例如,正面部是垂直对称的。

       ã€€ã€€ï¼minhitrate《min_hit_rate》

       ã€€ã€€æ¯ä¸ªé˜¶æ®µåˆ†ç±»å™¨éœ€è¦çš„最小的命中率。总的命中率为min_hit_rate的number_of_stages次方。

       ã€€ã€€ï¼maxfalsealarm<max_false_alarm_rate>

       ã€€ã€€æ²¡æœ‰é˜¶æ®µåˆ†ç±»å™¨çš„最大错误报警率。总的错误警告率为max_false_alarm_rate的number_of_stages次方。

       ã€€ã€€ï¼weighttrimming<weight_trimming>

       ã€€ã€€æŒ‡å®šæ˜¯å¦ä½¿ç”¨æƒä¿®æ­£å’Œä½¿ç”¨å¤šå¤§çš„权修正。一个基本的选择是0.9

       ã€€ã€€ï¼eqw

       ã€€ã€€ï¼mode<basic(default)|core|all>

       ã€€ã€€é€‰æ‹©ç”¨æ¥è®­ç»ƒçš„haar特征集的种类。basic仅仅使用垂直特征。all使用垂直和度角旋转特征。

       ã€€ã€€ï¼w《sample_width》

       ã€€ã€€ï¼h《sample_height》

       ã€€ã€€è®­ç»ƒæ ·æœ¬çš„尺寸,(以像素为单位)。必须和训练样本创建的尺寸相同。

       ã€€ã€€ä¸€ä¸ªè®­ç»ƒåˆ†ç±»å™¨çš„例子:

       ã€€ã€€"D:\Program Files\OpenCV\bin\haartraining.exe" -data data\cascade -vec data\pos.vec -bg negdata\negdata.dat -npos -nneg -mem -mode ALL -w -h

       ã€€ã€€è®­ç»ƒç»“束后,会在目录data下生成一些子目录,即为训练好的分类器。

       ã€€ã€€è®­ç»ƒç»“果如下:

       ã€€ã€€å¦‚何用OpenCV训练自己的分类器

       ã€€ã€€

       ã€€ã€€æ­å–œä½ ï¼Œä½ å·²ç»å­¦ä¼šè®­ç»ƒåˆ†ç±»å™¨çš„九成功力了。

       ã€€ã€€å››ï¼šåˆ©ç”¨è®­ç»ƒå¥½çš„分类器进行目标检测。

       ã€€ã€€è¿™ä¸€æ­¥éœ€è¦ç”¨åˆ°performance.exe,该程序源码由OpenCV自带,且可执行程序在OpenCV安装目录的bin目录下。

       ã€€ã€€performance.exe -data data/cascade -info posdata/test.dat -w -h -rs

       ã€€ã€€performance的命令行参数如下:

       ã€€ã€€Usage: ./performance

       ã€€ã€€-data <classifier_directory_name>

       ã€€ã€€-info <collection_file_name>

       ã€€ã€€[-maxSizeDiff <max_size_difference = 1.>]

       ã€€ã€€[-maxPosDiff <max_position_difference = 0.>]

       ã€€ã€€[-sf <scale_factor = 1.>]

       ã€€ã€€[-ni]

       ã€€ã€€[-nos <number_of_stages = -1>]

       ã€€ã€€[-rs <roc_size = >]

       ã€€ã€€[-w <sample_width = >]

       ã€€ã€€[-h <sample_height = >]

       ã€€ã€€ä¹Ÿå¯ä»¥ç”¨opencv的cvHaarDetectObjects函数进行检测:

       ã€€ã€€CvSeq* faces = cvHaarDetectObjects( img, cascade, storage,

       ã€€ã€€1.1, 2, CV_HAAR_DO_CANNY_PRUNING,

       ã€€ã€€cvSize(, ) ); //3. 检测人脸

       ã€€ã€€æ³¨ï¼šOpenCv的某些版本可以将这些目录中的分类器直接转换成xml文件。但在实际的操作中,haartraining程序却好像永远不会停止,而且没有生成xml文件,后来在OpenCV的yahoo论坛上找到一个haarconv的程序,才将分类器转换为xml文件,其中的原因尚待研究。

LBP特征和LPQ特征

       探索LBP特征与LPQ特征:深度纹理信息的捕捉与应用

       在计算机视觉领域,纹理信息的捕捉是关键一步,其中两种常用的特征描述方法——LBP(Local Binary Pattern)和LPQ(Local Phase Quantization)各具特色。让我们首先深入了解LBP的原始概念。

       1. 原始LBP特征的基石

       LBP算子以3x3的邻域为中心,通过比较像素值与中心像素值的关系,生成二进制编码。每个像素周围的8个像素点,若其灰度值大于中心,对应位置标记为1,否则为0。这样,每个像素点产生一个8位二进制数,总计种可能的LBP值,每一种都独特地反映了周围像素的纹理结构。重要的是,处理图像时必须保证是灰度图,彩色图需先转为灰度。

       2. LBP的匹配与实用价值

       LBP特征在目标检测中崭露头角。以人脸检测为例,虽然Haar+Adaboost是常见方法,但LBP+Adaboost因其更快的训练速度和更好的检测性能备受青睐。在OpenCV的TrainCascade中,LBP特征通常采用DLBP(可能的改进版本)作为输入,提供更为精确的纹理特征。然而,具体实现细节需要查阅源码,如MB-LBP就是一种常见的LBP变体。

       对于OpenCV级联检测的深度理解,可以参考外文资料,但在此之前,尝试过训练分类器并应用LBP特征是不可或缺的预备知识。链接中的LIBSVM库提供了支持向量机的实现,为深度学习和纹理特征分析提供了强大支持。

       转向LPQ特征:超越LBP的纹理捕捉

       相比之下,LPQ特征更侧重于捕捉局部图像的相位信息,它通过量化局部相位梯度来描述纹理,这使得它在某些情况下优于LBP,尤其在处理复杂纹理和旋转不变性方面。LPQ特征在人脸识别和纹理分类中展示了其优势,但其计算复杂度相对较高,适合对精度有更高要求的应用场景。

       综上所述,LBP和LPQ特征都是纹理特征提取的重要手段,各有优劣,选择哪种方法取决于具体的应用需求和性能要求。通过深入理解和实践,我们可以更好地利用这些特征在计算机视觉任务中实现精准的图像分析。

VS+OpenCV版本中相关haarcascades (.xml) 文件运行不成功原因及解决方法: 主要有两点 (记录一下)

       在使用VS和OpenCV版本进行开发时,遇到haarcascades (.xml) 文件运行不成功的问题,通常可归结为两点原因。首先,如果在使用cv::CascadeClassifier::load() 函数加载 .xml 文件时遇到失败,常见的原因是路径配置不正确。正确路径应为相对路径或绝对路径,且确保路径中每个反斜杠(\)不被误认为是转义字符。

       其次,即使成功加载了 .xml 文件,执行cv::CascadeClassifier::detectMultiScale() 时仍出现错误,特别是Assertion failed,这通常意味着程序在未执行到错误函数前就崩溃。问题源头在于模块中调试信息的缺失,以及opencv_worldd.dll 出现的兼容性问题。解决这一问题的方法是通过cmake和VS对OpenCV库进行重新编译,然后用生成的dll文件和lib文件替换原有的文件。

       执行重新编译步骤如下:

       访问cmake官网下载最新版本的cmake。

       解压cmake并双击cmake-gui.exe。

       在CMake窗口中输入OpenCV源码所在目录。

       创建名为myopencv的文件夹,用于存放生成的OpenCV工程。

       点击“Configure”按钮,等待编译过程完成。

       再次点击“Configure”按钮,确保所有配置正确无误。

       点击“Generate”按钮生成OpenCV解决方案,并关闭CMake窗口。

       在VS中打开生成的OpenCV.sln文件,选择ALL_BUILD和INSTALL,分别点击右键生成。

       将install文件夹拷贝至指定目录并重命名,注意保留myopencv文件夹以备后续跟踪源码。

       最后,更新项目运行环境路径,确保与新生成的OpenCV库兼容。

       完成上述步骤后,确保所有依赖项与OpenCV版本相匹配,例如:

       opencv_calib3dd.lib

       opencv_cored.lib

       ... 等至

       opencv_videostabd.lib

       至此,问题解决,开发环境成功运行,haarcascades (.xml) 文件加载与检测功能恢复正常。这次经历为我们后续遇到类似问题提供了宝贵的解决思路与实践步骤。

如何用OPENCV和VC实现人眼识别功能?

       ã€€ã€€ç»™ä½ ä¸ªä»£ç ï¼Œäººçœ¼ç›è¯†åˆ«ï¼š

       ã€€ã€€#include "stdafx.h"

       ã€€ã€€#include "cv.h"

       ã€€ã€€#include "highgui.h"

       ã€€ã€€#include <stdio.h>

       ã€€ã€€#ifdef _EiC

       ã€€ã€€#define WIN

       ã€€ã€€#endif

       ã€€ã€€static CvMemStorage* storage = 0;

       ã€€ã€€static CvHaarClassifierCascade* cascade = 0;

       ã€€ã€€void detect_and_draw( IplImage* image );

       ã€€ã€€const char* cascade_name =

       ã€€ã€€"haarcascade_eye.xml";//人脸检测分类器

       ã€€ã€€int main( int argc, char** argv )

       ã€€ã€€{

       ã€€ã€€CvCapture* capture = 0;

       ã€€ã€€IplImage *frame, *frame_copy = 0;

       ã€€ã€€int optlen = strlen("--cascade=");

       ã€€ã€€const char* input_name;

       ã€€ã€€if( argc > 1 && strncmp( argv[1], "--cascade=", optlen ) == 0 )

       ã€€ã€€{

       ã€€ã€€cascade_name = argv[1] + optlen;

       ã€€ã€€input_name = argc > 2 ? argv[2] : 0;

       ã€€ã€€}

       ã€€ã€€else

       ã€€ã€€{

       ã€€ã€€cascade_name = "C:/OpenCV2.0/data/haarcascades/haarcascade_eye.xml";//分类器路径

       ã€€ã€€input_name = argc > 1 ? argv[1] : 0;

       ã€€ã€€}

       ã€€ã€€cascade = (CvHaarClassifierCascade*)cvLoad( cascade_name, 0, 0, 0 );

       ã€€ã€€if( !cascade )//如果没有找到分类器,输出以下

       ã€€ã€€{

       ã€€ã€€fprintf( stderr, "ERROR: Could not load classifier cascade\n" );

       ã€€ã€€fprintf( stderr,

       ã€€ã€€"Usage: facedetect --cascade=\"<cascade_path>\" [filename|camera_index]\n" );

       ã€€ã€€return -1;

       ã€€ã€€}

       ã€€ã€€storage = cvCreateMemStorage(0);

       ã€€ã€€capture = cvCaptureFromCAM( !input_name ? 0 : input_name[0] - '0' );//读取摄像头

       ã€€ã€€if(!capture)//如果没有摄像头读取视频文件

       ã€€ã€€capture = cvCaptureFromAVI("检测.avi");

       ã€€ã€€cvNamedWindow( "result", 1);//创建窗口

       ã€€ã€€if( capture )

       ã€€ã€€{

       ã€€ã€€for(;;)

       ã€€ã€€{

       ã€€ã€€if( !cvGrabFrame( capture ))//从摄像头中抓取帧

       ã€€ã€€break;

       ã€€ã€€frame = cvRetrieveFrame( capture );//读取上边抓取的帧

       ã€€ã€€if( !frame )

       ã€€ã€€break;

       ã€€ã€€if( !frame_copy )

       ã€€ã€€frame_copy = cvCreateImage( cvSize(frame->width,frame->height),

       ã€€ã€€IPL_DEPTH_8U, frame->nChannels );

       ã€€ã€€if( frame->origin == IPL_ORIGIN_TL )

       ã€€ã€€cvCopy( frame, frame_copy, 0 );

       ã€€ã€€else

       ã€€ã€€cvFlip( frame, frame_copy, 0 );

       ã€€ã€€detect_and_draw( frame_copy );

       ã€€ã€€if( cvWaitKey( ) >= 0 )

       ã€€ã€€break;

       ã€€ã€€}

       ã€€ã€€cvReleaseImage( &frame_copy );

       ã€€ã€€cvReleaseCapture( &capture );

       ã€€ã€€}

       ã€€ã€€else//没检测到视频文件或者摄像头

       ã€€ã€€{

       ã€€ã€€const char* filename = (char*)"检测.jpg";//读图片

       ã€€ã€€IplImage* image = cvLoadImage( filename, 1 );

       ã€€ã€€if( image )

       ã€€ã€€{

       ã€€ã€€detect_and_draw( image );

       ã€€ã€€cvWaitKey(0);

       ã€€ã€€cvReleaseImage( &image );

       ã€€ã€€}

       ã€€ã€€else

       ã€€ã€€{

       ã€€ã€€FILE* f = fopen( filename, "rt" );

       ã€€ã€€if( f )

       ã€€ã€€{

       ã€€ã€€char buf[+1];

       ã€€ã€€while( fgets( buf, , f ) )

       ã€€ã€€{

       ã€€ã€€int len = (int)strlen(buf);

       ã€€ã€€while( len > 0 && isspace(buf[len-1]) )

       ã€€ã€€len--;

       ã€€ã€€buf[len] = '\0';

       ã€€ã€€image = cvLoadImage( buf, 1 );

       ã€€ã€€if( image )

       ã€€ã€€{

       ã€€ã€€detect_and_draw( image );

       ã€€ã€€cvWaitKey(0);

       ã€€ã€€cvReleaseImage( &image );

       ã€€ã€€}

       ã€€ã€€}

       ã€€ã€€fclose(f);

       ã€€ã€€}

       ã€€ã€€}

       ã€€ã€€}

       ã€€ã€€cvDestroyWindow("result");

       ã€€ã€€return 0;

       ã€€ã€€}

       ã€€ã€€void detect_and_draw( IplImage* img )

       ã€€ã€€{

       ã€€ã€€static CvScalar colors[] =

       ã€€ã€€{

       ã€€ã€€{ { 0,0,}},

       ã€€ã€€{ { 0,,}},

       ã€€ã€€{ { 0,,}},

       ã€€ã€€{ { 0,,0}},

       ã€€ã€€{ { ,,0}},

       ã€€ã€€{ { ,,0}},

       ã€€ã€€{ { ,0,0}},

       ã€€ã€€{ { ,0,}}

       ã€€ã€€};

       ã€€ã€€double scale = 1.3;

       ã€€ã€€IplImage* gray = cvCreateImage( cvSize(img->width,img->height), 8, 1 );

       ã€€ã€€IplImage* small_img = cvCreateImage( cvSize( cvRound (img->width/scale),

       ã€€ã€€cvRound (img->height/scale)),

       ã€€ã€€8, 1 );

       ã€€ã€€int i;

       ã€€ã€€cvCvtColor( img, gray, CV_BGR2GRAY );

       ã€€ã€€cvResize( gray, small_img, CV_INTER_LINEAR );

       ã€€ã€€cvEqualizeHist( small_img, small_img );

       ã€€ã€€cvClearMemStorage( storage );

       ã€€ã€€if( cascade )

       ã€€ã€€{

       ã€€ã€€double t = (double)cvGetTickCount();

       ã€€ã€€CvSeq* faces = cvHaarDetectObjects( small_img, cascade, storage,

       ã€€ã€€1.1, 2, 0/*CV_HAAR_DO_CANNY_PRUNING*/,

       ã€€ã€€cvSize(, ) );//检测人脸返回矩形人脸

       ã€€ã€€t = (double)cvGetTickCount() - t;

       ã€€ã€€printf( "detection time = %gms\n", t/((double)cvGetTickFrequency()*.) );

       ã€€ã€€for( i = 0; i < (faces ? faces->total : 0); i++ )//找到矩形中心,把矩形转化为圆形

       ã€€ã€€{

       ã€€ã€€CvRect* r = (CvRect*)cvGetSeqElem( faces, i );

       ã€€ã€€CvPoint center;

       ã€€ã€€int radius;

       ã€€ã€€center.x = cvRound((r->x + r->width*0.5)*scale);

       ã€€ã€€center.y = cvRound((r->y + r->height*0.5)*scale);

       ã€€ã€€radius = cvRound((r->width + r->height)*0.*scale);

       ã€€ã€€cvCircle( img, center, radius, colors[i%8], 3, 8, 0 );

       ã€€ã€€}

       ã€€ã€€}

       ã€€ã€€cvShowImage( "result", img );

       ã€€ã€€cvReleaseImage( &gray );

       ã€€ã€€cvReleaseImage( &small_img );

       ã€€ã€€}

基于OpenCV的组合动作常规摄像头人脸活体检测识别系统

       在不断发展的科技背景下,人脸识别技术已广泛应用在安全监控、人脸支付和解锁等领域。然而,传统技术在处理动态视频中的人脸识别问题上存在局限。为此,一种基于OpenCV的组合动作常规摄像头人脸活体检测识别系统应运而生,它旨在解决静态识别难以应对假脸攻击的问题。

       活体检测是通过检测人脸的生物特征和行为反应,确保识别对象为真实活体,而非照片或面具。该系统结合了计算机视觉和机器学习,通过摄像头实时捕捉人脸图像,进行分析处理,确保识别的实时性和准确性。系统流程包括人脸检测、预处理、特征提取和匹配识别等步骤,旨在提升人脸识别的安全性和用户体验。

       研究的核心在于提高活体检测技术,通过验证测试者对指令的响应,确保识别的真人身份。系统设计考虑了光照敏感度和实时性,尤其适用于需要验证的场景,如考勤和考试。系统由多个模块构成,如f_Face_info.py负责人脸识别信息获取,image.py负责人脸检测和关键点定位,mydetect.py使用目标检测算法,myfatigue.py进行疲劳检测,共同实现活体检测和身份识别。

       活体检测方法多样,如微小纹理分析、运动信息检测和多光谱检测。本系统选择基于运动信息的方法,利用IntraFace开源代码提取特征点和头部姿态,通过检测眼睛、嘴巴的动作和头部转向来判断活体性。

       人脸检测作为基础,利用Haar特征等方法进行精确定位,确保在不同光照和表情变化下仍能准确识别。系统整合了源码、环境部署和自定义UI界面,以提高用户友好性和实用性。