前言

關於opencv

OpenCV是Intel開源計算機視覺庫(ComputerVersion)。它由一系列C函式和少量 C++類構成，實現了影象處理和計算機視覺方面的很多通用演算法。

OpenCV 擁有包括 300 多個C函式的跨平臺的中、高層 API。它不依賴於其它的外部庫——儘管也可以使用某些外部庫。OpenCV 對非商業應用和商業應用都是免費的。同時OpenCV提供了對硬體的訪問，可以直接訪問攝像頭，並且opencv還提供了一個簡單的GUI(graphics user interface)系統:highgui。我們就通過OpenCV提供的一些方法來構造出這個人臉檢測（face detection

opencv的python包裝

OpenCV本身是有C/C++編寫的，如果要在其他語言中使用，我們可以通過對其動態連結庫檔案進行包裝即可，幸運的是，Python下有很多個這樣的包裝，本文中使用的是Cvtypes。

事實上，在Python中很多的包都是來自第三方的，比如PIL(PythonImage Library)即為C語言實現的一個圖形處理包，被包裝到了Python中，這些包裝可以讓你像使用Python的內建函式一樣的使用這些API。

人臉檢測原理

人臉檢測屬於目標檢測(object detection)的一部分，主要涉及兩個方面

1. 先對要檢測的目標物件進行概率統計，從而知道待檢測物件的一些特徵，建立起目標檢測模型。
2. 用得到的模型來匹配輸入的影象，如果有匹配則輸出匹配的區域，否則什麼也不做。

計算機視覺

計算機的視覺系統，跟人的眼睛是大不相同的，但是其中也有類似之處。人眼之能夠看到物體，是通過物體上反射出來的光線刺激人眼的感光細胞，然後視覺神經在大腦中形成物體的像。計算機通過攝像頭看到的東西要簡單的多，簡單來說，就是一堆由數字組成的矩陣。這些數字表明瞭物體發出的光的強弱，攝像頭的光敏元件將光訊號轉化成數字訊號，將其量化為矩陣。

如何從這些數字中得出:"這是一個人臉"的結論，是一個比較複雜的事情。物理世界是彩色的，一般來說，計算機中的彩色圖片都是由若干個色彩通道累積出來的，比如RGB模式的圖片，有紅色通道(Red)，綠色通道(Green)和藍色通道(Blue),這三個通道都是灰度圖，比如一個點由8位來表示，則一個通道可以表示2^8=256個灰度。那樣三個通道進行疊加以後可以表3*8=24位種色彩，也就是我們常說的24位真彩。

對這樣的圖片做處理，無疑是一件很複雜的事，所以有必要先將彩色圖轉為灰度圖，那樣可以減少資料量(比如RGB模式，可以減少到原圖片的1/3)，同時可以去掉一些噪聲訊號。先將圖片轉化為灰度圖，然後將這個灰度圖的對比度增高，這樣可以使得圖片本來暗的地方更暗，亮的地方更亮一些。這樣處理以後，圖片就更容易被演算法設別出來了。

Harr特徵級聯表

OpenCV在物體檢測上使用的是haar特徵的級聯表，這個級聯表中包含的是boost的分類器。首先，人們採用樣本的haar特徵進行分類器的訓練，從而得到一個級聯的boost分類器。訓練的方式包含兩方面：

1.    正例樣本，即待檢測目標樣本
2.    反例樣本，其他任意的圖片

首先將這些圖片統一成相同的尺寸，這個過程被稱為歸一化，然後進行統計。一旦分類器建立完成，就可以用來檢測輸入圖片中的感興趣區域的檢測了，一般來說，輸入的圖片會大於樣本，那樣，需要移動搜尋視窗，為了檢索出不同大小的目標，分類器可以按比例的改變自己的尺寸，這樣可能要對輸入圖片進行多次的掃描。

什麼是級聯的分類器呢？級聯分類器是由若干個簡單分類器級聯成的一個大的分類器，被檢測的視窗依次通過每一個分類器，可以通過所有分類器的視窗即可判定為目標區域。同時，為了考慮效率問題，可以將最嚴格的分類器放在整個級聯分類器的最頂端，那樣可以減少匹配次數。

基礎分類器以haar特徵為輸入，以0/1為輸出，0表示未匹配，1表示匹配。

Haar特徵

•  邊界特徵，包含四種
•  線性特徵，包含8種
•  中心圍繞特徵，包含兩種

在掃描待檢測圖片的時候，以邊界特徵中的(a)為例，正如前面提到的那樣，計算機中的圖片是一個數字組成的矩陣，程式先計算整個視窗中的灰度值x，然後計算矩形框中的黑色灰度值y，然後計算(x-2y)的值，得到的數值與x做比較，如果這個比值在某一個範圍內，則表示待檢測圖片的當前掃描區域符合邊界特徵(a)，然後繼續掃描。

關於這個演算法的更詳細描述已經超出了本文的範圍，可以在參考資源中獲得更多的資訊。

非固定大小目標檢測

因為是基於視訊流的目標檢測，我們事先不太可能知道要檢測的目標的大小，這就要求我們的級聯表中的分類器具有按比例增大(或者縮小)的能力，這樣，當小的視窗移動完整個待檢測圖片沒有發現目標時，我們可以調整分類器的大小，然後繼續檢測，直到檢測到目標或者視窗與待檢測圖片的大小相當為止。

步驟一：圖片預處理

在從攝像頭中獲得一個幀(一張圖片)後，我們需要先對這張圖片進行一些預處理：

1. 將圖片從RGB模式轉為灰度圖將灰度圖
2. 進行灰度圖直方圖均衡化操作

這兩個步驟在OpenCV中是非常簡單的：

1. image_size = cv.cvGetSize(image)#獲取原始影象尺寸  
2. grayscale = cv.cvCreateImage(image_size, 8, 1)# 建立一個空的灰度圖  
3. cv.cvCvtColor(image, grayscale, cv.CV_BGR2GRAY)#轉換  
4. storage = cv.cvCreateMemStorage(0)#新建一塊儲存區，以備後用  
5. cv.cvClearMemStorage(storage)  
6. cv.cvEqualizeHist(grayscale, grayscale)# 灰度圖直方圖均衡化  

步驟二：檢測並標記目標

OpenCV中，對於人臉檢測的模型已經建立為一個XML檔案，其中包含了上面提到的harr特徵的分類器的訓練結果，我們可以通過載入這個檔案而省略掉自己建立級聯表的過程。有了級聯表，我們只需要將待檢測圖片和級聯表一同傳遞給OpenCV的目標檢測演算法即可得到一個檢測到的人臉的集合。

1. # detect objects  
2. cascade = cv.cvLoadHaarClassifierCascade('haarcascade_frontalface_alt.xml',  
3.                                             cv.cvSize(1,1))  
4. faces = cv.cvHaarDetectObjects(grayscale, cascade, storage, 1.2, 2,  
5.                                 cv.CV_HAAR_DO_CANNY_PRUNING,  
6.                                 cv.cvSize(50, 50))#設定最小的人臉為50*50畫素  
7. if faces:  
8.     print 'face detected here', cv.cvGetSize(grayscale)  
9.     for i in faces:  
10.         cv.cvRectangle(image, cv.cvPoint( int(i.x), int(i.y)),  
11.                      cv.cvPoint(int(i.x + i.width), int(i.y + i.height)),  
12.                      cv.CV_RGB(0, 255, 0), 1, 8, 0)#畫一個綠色的矩形框  

步驟三：用highgui畫出視訊視窗

1. highgui.cvNamedWindow ('camera', highgui.CV_WINDOW_AUTOSIZE)  
2. highgui.cvMoveWindow ('camera', 50, 50)  
3. highgui.cvShowImage('camera', detimg)  

可以看到，OpenCV的API相當清晰，使用Python的包裝，可以使得程式碼非常小。好了，我們可以看看程式的執行結果：

 
 
由於視訊流是動態的，所以我們可以在程式的入口中使用一個無限迴圈，在迴圈中，每次從視訊中讀入一個幀，將這個幀傳輸給人臉檢測模組，檢測模組在這個幀上進行標記(如果有人臉的話)，然後返回這個幀，主程式拿到這個幀後，更新顯示視窗。

opencv的其他特性

拉普拉斯邊緣檢測

1. def laplaceTransform(image):  
2.     laplace = None  
3.     colorlaplace = None  
4.     planes = [None, None, None]  
5.     image_size = cv.cvGetSize(image)  
6.     if not laplace:  
7.         for i in range(len(planes)):  
8.             planes[i] = cv.cvCreateImage(image_size, 8, 1)  
9.         laplace = cv.cvCreateImage(image_size, cv.IPL_DEPTH_16S, 1)  
10.         colorlaplace = cv.cvCreateImage(image_size, 8, 3)  
11.     cv.cvSplit(image, planes[0], planes[1], planes[2], None)  
12.     for plane in planes:  
13.         cv.cvLaplace(plane, laplace, 3)  
14.         cv.cvConvertScaleAbs(laplace, plane, 1, 0)  
15.     cv.cvMerge(planes[0], planes[1], planes[2], None, colorlaplace)  
16.     colorlaplace.origin = image.origin  
17.     return colorlaplace  

效果圖：
 
CVtypes中自帶了一個關於影象色彩空間的直方圖的例子：

結束語

OpenCV的功能十分強大，而且提供了大量的演算法實現，文中涉及到的內容只是計算機視覺中很小的一部分。讀者可以考慮將採集到的人臉進行標識，從而實現特定人的人臉識別。或者考慮將人臉檢測移植到網路上，從而實現遠端監控。試想一下，原來沒有生命的機器，我們可以通過自己的思想，動作來使得它們看起來像是有思想一樣，這件事本身就非常的有趣。