《人工智能开源硬件与Pyhthon编程实践》课件 项目8 计算机视觉与人脸检测.pptVIP

计算机视觉与人脸检测 人工智能开源硬件与python编程实践 情境导入 新款的相机都采用了智能技术，能够自动检测到取景框内的人脸，自动往人脸对焦，拍下高质量的照片。 智能手机的相机功能也都采用了自动跟踪人脸、自动对焦的技术，辅助人们拍下美好画面。 人脸检测与自动跟踪技术在校园出入控制、智慧教室等系统中均有应用，也是进一步开展人脸识别的基础。 任务与目标 了解人脸检测技术的基本原理、Haar相关算法和应用框架； 掌握运用人工智能开源硬件设计人脸检测应用的方法，提升Python语言的编程能力； 通过Python编程，调用Haar Cascade算法，实现人脸检测功能； 针对生活应用场景，进一步开展创意设计，设计针对校园安防等需求的具有实用性的人脸检测应用系统。 知识拓展：聚类与分类 聚类是将数据对象集合划分成相似的对象类的过程，使得同一个类中的对象之间具有较高的相似性，而不同类中的对象具有较高的相异性。 分类则是按照某种标准给对象贴标签，再根据标签来区分归类。也就是说，分类情况下事先定义好了类别，类别数不再变化。 知识拓展：区别与联系 分类器需要事先由包含人工标注类别的训练数据训练得到，属于有监督的学习。 聚类则没有事先预定的类别，类别数不确定。 聚类不需要人工标注和预先训练分类器，类别在聚类过程中自动生成，是一种无监督学习。 知识拓展： Haar-like特征 Haar-like特征一种常用的图像特征描述算子，在机器视觉领域应用很广； 分为边缘特征、线性特征、中心特征和对角线特征等，组合成特征模板。特征模板内只有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。 知识拓展：人脸Haar-like特征 对于人脸图像，脸部的一些特征能由矩形特征来简单描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。 在人脸检测应用中，将任意一个矩形模板移动到人脸区域上，计算将白色区域的像素和减去黑色区域的像素和，得到的值就是属于人脸的特征值。 通过Haar-like特征的计算实现了人脸特征的量化，以便区分人脸和非人脸。 知识拓展： Haar-like特征计算方法 对于一个灰度图像I而言，其积分图也是一张与I尺寸相同的图，只不过该图上任意一点(x,y)的值是指从灰度图像I的左上角与当前点所围成的矩形区域内所有像素点灰度值之和。 当把扫描图像一遍，到达图像右下角像素时，积分图像就构造好了。 积分图构造好之后，图像中任何矩阵区域的像素累加和都可以通过简单运算得到。只遍历一次图像就可以求出图像中所有区域像素和的快速算法，大大的提高了图像特征值计算的效率。 知识拓展：弱学习与强学习 弱学习就是指一个学习算法对一组概念的识别率只比随机识别好一点； 强学习指一个学习算法对一组概率的识别率很高。 研究工作表明，只要有足够的数据，弱学习算法就能通过集成的方式生成任意高精度的强学习方法。 知识拓展： Adaboost算法初步 各种Haar特征，每一个小黑白块就是一种规则，也是一种特征，也是一个分类器。 它们都是弱分类器。 把一批准确率很差的弱分类器级联在一起，变成一个强分类器 知识拓展： Adaboost迭代过程 先通过对N个训练样本的学习得到第一个弱分类器； 将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器； 将前面都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器； 依次继续。然后把这些弱分类器集合起来，构成一个强分类器。 知识拓展： Haar分类器的训练 采集人脸图像，建立人脸、非人脸样本集； 计算Haar-like特征值和积分图； 进行弱分类器训练，筛选出T个最优弱分类器； 把这T个最优弱分类器传给AdaBoost算法，训练出区分人脸和非人脸的强分类器； 使用筛选式级联把强分类器级联到一起，提高准确率。 知识拓展：利用haar算子实现人脸检测 对比检查分成了多个阶段，后一阶段的运行以先前阶段的完成为前提。 设计与实践 摄像头工作参数设置 加载Haar算子 启动人脸检测 Python编程及实现 运行结果分析 摄像头工作参数设置 Haar Cascade算法采用的是黑白像素特征，积分图也是在灰度图像上生成的。在人脸检测应用中，摄像头要设置为灰度图模式： sensor.set_contrast(1) #设置相机图像对比度，范围从-3至+3； sensor.set_gainceiling(16) #设置相机图像增益上限，参数范围：2, 4, 8, 16, 32, 64, 128； sensor.set_framesize(sensor.HQVGA) #设置摄像头分辨率为HQVGA: 240x160 sensor.s