Ketika datang untuk mendeteksi menghadapi, pertama -tama kita harus memahami classifier fitur HAAR. Terus terang, classifier fitur HAAR adalah serangkaian file XML, yang menggambarkan nilai karakteristik dari berbagai bagian tubuh manusia, seperti wajah, mata, dll. File fitur berikut disediakan di OpenCV3.2.0:
haarcascade_eye.xml
haarcascade_eye_tree_eyeglasses.xml
haarcascade_frontalcatface.xml
haarcascade_frontalcatface_extended.xml
haarcascade_frontalface_alt.xml
haarcascade_frontalface_alt_tree.xml
haarcascade_frontalface_alt2.xml
haarcascade_frontalface_default.xml
haarcascade_fullbody.xml
haarcascade_lefteye_2splits.xml
haarcascade_licence_plate_rus_16stages.xml
haarcascade_lowerbody.xml
haarcascade_profileface.xml
haarcascade_rightye_2splits.xml
haarcascade_russian_plate_number.xml
haarcascade_smile.xml
haarcascade_upperbody.xml
Dengan memuat file fitur yang berbeda, efek deteksi yang sesuai dapat dicapai.
Deskripsi Parameter Fungsi DetectMulciscale di OpenCV3.2.0:
DetectMulciscale (gambar matfrect, scalefactor ganda, int minneighbors, bendera int, ukuran kecil, ukuran maksimum)
Gambar: Gambar yang akan dideteksi umumnya skala abu -abu (meningkatkan efisiensi)
Objek: kelompok vektor kotak persegi panjang dari objek yang terdeteksi
Scalefactor: Koefisien skala jendela pencarian dalam dua pemindaian berturut -turut. Standarnya adalah 1.1, yaitu, setiap jendela pencarian meluas sebesar 10% secara berurutan.
MinNeighbors: Jumlah minimum persegi panjang yang berdekatan yang merupakan target deteksi (default adalah 3)
Bendera: Gunakan nilai default atau gunakan cv_haar_do_canny_pruning. Jika diatur ke cv_haar_do_canny_pruning, fungsi ini akan menggunakan deteksi tepi yang cerdik untuk mengecualikan area dengan terlalu banyak atau terlalu sedikit tepi, jadi area ini biasanya tidak akan menjadi area di mana wajah berada
ISZATE: Kisaran minimum dari area target yang diperoleh
MaxSize: Kisaran maksimum dari area target yang diperoleh
Kode Sampel Deteksi Wajah:
Impor org.opencv.core.core; impor org.opencv.core.mat; impor org.opencv.core.matofrect; impor org.opencv.core.point; impor org.opencv.core.rect; import org.opencv.core.scalar; import org.opencv.opencv.opencv.opencv.opencv.opencv.opencv. org.opencv.imgproc.imgproc; impor org.opencv.objdetect.cascadeclassifier; kelas publik facedetect {public static main (string [] args) {// TODO Metode Stub yang dihasilkan secara otomatis. System.out.println ("/nrunning facedetector"); Cascadeclassifier facedetector = cascadeclassifier baru (); facedetector.load ("c: // file program // opencv // sumber // data // haarcascades // haarcascades // haarcascades_frontalface_alt.xml"); MAT Image = imgcodecs.imread ("f: //1114.jpg"); Facedetection matofrect = matofrect baru (); facedetector.detectmulciscale (gambar, facedetection); System.out.println (string.format ("FACES %S Detected %", facedetection.toArray (). Panjang)); untuk (rect rect: facedetection.toArray ()) {imgproc.rectangle (gambar, titik baru (rect.x, rect.y), titik baru (rect.x + rect.width, rect.y + rect.height), skalar baru (0, 255, 0)); } String filename = "f: //ouput.jpg"; Imgcodecs.imwrite (nama file, gambar); }} Sumber gambar dan diagram hasil:
Di atas adalah semua konten artikel ini. Saya berharap ini akan membantu untuk pembelajaran semua orang dan saya harap semua orang akan lebih mendukung wulin.com.