使用 OpenCV 和 Haar Cascade 检测人脸

技术讲解

1. 环境准备

Python 和 OpenCV

确保你的开发环境中安装了 Python 3.x 和 OpenCV。OpenCV 是一个开源的计算机视觉和机器学习软件库,提供了大量的图像处理和计算机视觉算法。它支持多种编程语言,包括 Python。

安装 OpenCV:

bash 复制代码
pip install opencv-python
2. Haar Cascade 模型

Haar Cascade 分类器

OpenCV 提供了预训练的 Haar Cascade 分类器来检测图像中的人脸。cv2.CascadeClassifier 是用来加载这些分类器的一个类。在这个例子中,我们使用的是 haarcascade_frontalface_default.xml,这是 OpenCV 提供的一个默认的人脸检测模型。

加载 Haar Cascade 模型:

python 复制代码
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
3. CUDA 设备设置

CUDA 设备可见性

如果你的应用程序需要使用 GPU,可以使用环境变量 CUDA_VISIBLE_DEVICES 来设置哪些 GPU 设备是可见的。这在有多个 GPU 的情况下特别有用,可以指定应用程序使用特定的 GPU。

设置 CUDA 可见设备:

python 复制代码
import cv2
import os
from pathlib import Path
import shutil

# 加载预训练的 Haar cascade 模型
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 设置 CUDA 可见设备
os.environ["CUDA_VISIBLE_DEVICES"] = "0"  # 设置为你的 GPU 设备号

# 定义参考文件夹
REFERENCE_DIR = "no_faces"
os.makedirs(REFERENCE_DIR, exist_ok=True)
4. 图像处理

加载和调整大小

为了提高检测效率,通常会对图像进行缩放。缩放可以减少处理时间,同时保持足够的分辨率来进行人脸检测。

加载并调整图像大小:

python 复制代码
def load_and_resize_image(file_path, max_size=1024):
    image = cv2.imread(file_path)
    if image is None:
        raise FileNotFoundError(f"Could not load image from {file_path}")
    
    height, width = image.shape[:2]
    scale = min(max_size / height, max_size / width)
    image = cv2.resize(image, (int(width * scale), int(height * scale)))
    return image

人脸检测

使用 Haar Cascade 分类器检测图像中的人脸。detectMultiScale 方法接受多个参数,其中 scaleFactor 控制每次图像尺寸变化的比例因子,minNeighbors 表示检测到的目标周围至少有多少个邻居才能认定为真实目标,minSize 表示检测到的目标的最小尺寸。

检测图像中的人脸:

python 复制代码
def detect_faces(image):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    face_rects = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
    return face_rects
5. 文件操作

移动图片

当检测到图片中没有人脸时,将图片移动到一个特定的文件夹中。使用 shutil.move 函数可以轻松实现这一点。

移动图片到无脸文件夹:

python 复制代码
def move_image_to_no_faces_folder(file_path):
    destination = Path(REFERENCE_DIR) / file_path.name
    shutil.move(str(file_path), str(destination))
6. 主函数

最后,编写一个主函数来处理指定文件夹中的所有 .png 图片,并调用上述函数完成人脸检测和图片分类。

处理图片:

python 复制代码
def process_image(png_file):
    try:
        print(f"Processing {png_file.name}...")
        image = load_and_resize_image(png_file)
        face_rects = detect_faces(image)
        
        if len(face_rects) == 0:
            print(f"No faces detected in {png_file.name}. Moving to no_faces folder.")
            move_image_to_no_faces_folder(png_file)
        else:
            print(f"Faces detected in {png_file.name}.")
    except Exception as e:
        print(f"Error processing {png_file.name}: {str(e)}")

def process_images(directory):
    directory_path = Path(directory)
    png_files = list(directory_path.glob('*.png'))
    
    for png_file in png_files:
        process_image(png_file)

if __name__ == "__main__":
    input_directory = 'images'  # 请确保这个路径是正确的
    process_images(input_directory)

总结

通过上述代码,我们可以自动检测图片中是否存在人脸,并将无人脸的图片分类到特定文件夹中。这种方法在处理大量图片时非常有用,特别是在需要对图片进行初步筛选的情况下。使用 OpenCV 的 Haar Cascade 模型和 Python 的标准库函数,我们可以轻松实现这一功能。

相关推荐
WeeJot嵌入式11 分钟前
卷积神经网络:深度学习中的图像识别利器
人工智能
脆皮泡泡20 分钟前
Ultiverse 和web3新玩法?AI和GameFi的结合是怎样
人工智能·web3
机器人虎哥24 分钟前
【8210A-TX2】Ubuntu18.04 + ROS_ Melodic + TM-16多线激光 雷达评测
人工智能·机器学习
码银31 分钟前
冲破AI 浪潮冲击下的 迷茫与焦虑
人工智能
何大春35 分钟前
【弱监督语义分割】Self-supervised Image-specific Prototype Exploration for WSSS 论文阅读
论文阅读·人工智能·python·深度学习·论文笔记·原型模式
uncle_ll42 分钟前
PyTorch图像预处理:计算均值和方差以实现标准化
图像处理·人工智能·pytorch·均值算法·标准化
宋1381027972043 分钟前
Manus Xsens Metagloves虚拟现实手套
人工智能·机器人·vr·动作捕捉
SEVEN-YEARS1 小时前
深入理解TensorFlow中的形状处理函数
人工智能·python·tensorflow
世优科技虚拟人1 小时前
AI、VR与空间计算:教育和文旅领域的数字转型力量
人工智能·vr·空间计算
cloud studio AI应用1 小时前
腾讯云 AI 代码助手:产品研发过程的思考和方法论
人工智能·云计算·腾讯云