安裝Anaconda環(huán)境

訪問(wèn)Anaconda網(wǎng)站下載最新版本的Anaconda for Windows。

Anaconda平臺(tái)網(wǎng)站下載頁(yè)面。

注意：確保選擇Python 3.6版本和相應(yīng)的體系結(jié)構(gòu)（32位或64位）。

安裝Anaconda環(huán)境及其默認(rèn)值設(shè)置。

Anaconda平臺(tái)的高級(jí)版安裝選項(xiàng)窗口。

確保保留“將Anaconda添加到我的PATH環(huán)境變量”選項(xiàng)取消選擇。

一個(gè)窗口，顯示使用Anaconda平臺(tái)安裝Microsoft Visual Studio代碼安裝的選項(xiàng)。

本教程不需要安裝“Microsoft Visual Studio Code”，因?yàn)樗鼘⑹褂肧pyder IDE環(huán)境以Python編程。

繼續(xù)并選擇在出現(xiàn)時(shí)跳過(guò)安裝選項(xiàng)。

一些程序?qū)⑹俏彝ㄟ^(guò)設(shè)置過(guò)程安裝：Anaconda Prompt，Anaconda Navigator和Spyder IDE。

完成安裝后，在Windows任務(wù)欄中搜索“Anaconda Prompt”并打開(kāi)桌面應(yīng)用程序。

在搜索框中顯示Anaconda Prompt桌面應(yīng)用程序的Windows任務(wù)欄。

使用Anaconda提示

要測(cè)試Anaconda命令是否正常工作，請(qǐng)運(yùn)行以下代碼。

測(cè)試Anaconda命令是否正常運(yùn)行所需的特定代碼。

此過(guò)程中，為Python 3.5版本創(chuàng)建了一個(gè)新的Anaconda環(huán)境。

使用Anaconda安裝程序設(shè)置了Python 3.6版本，但出于兼容性原因，我們將使用帶有Open CV3的Python 3.5版本分布。

創(chuàng)建新環(huán)境

使用Anaconda創(chuàng)建新環(huán)境所需的特定代碼。

你會(huì)找到一個(gè)輸出如下所示的例子：

使用Anaconda激活新環(huán)境所需的代碼輸出示例。

Anaconda將安裝一些新包;只需輸入‘y’表示是，然后按回車鍵繼續(xù)安裝。

在下一步中，我們將安裝更多的包，所以讓Anaconda經(jīng)銷商安裝所需的包，否則它可能會(huì)沒(méi)有與Python正確集成。

安裝完成后，環(huán)境被激活：

在Anaconda中激活確認(rèn)環(huán)境的特定代碼。

如果安裝成功完成，您會(huì)注意到‘（base）’環(huán)境已更改為新環(huán)境。

這表示新環(huán)境已激活并且Anaconda已將‘$ PATH’變量更改為‘C：/Users/Akshay/Anaconda3/envs/MyOpenCV’位置?，F(xiàn)在所有未來(lái)的安裝都只適用于這個(gè)特定的環(huán)境。

Python版本現(xiàn)在也應(yīng)該顯示為Python 3.5而不是系統(tǒng)版本。

確認(rèn)Anaconda平臺(tái)當(dāng)前正在運(yùn)行的Python版本的特定代碼。

安裝OpenCV3和依賴項(xiàng)

首先，安裝NumPy庫(kù)進(jìn)行科學(xué)計(jì)算。

安裝NumPy庫(kù)所需的特定代碼。

然后安裝anaconda-client。

安裝anaconda-client所需的特定代碼。

最后，安裝OpenCV3（由于它的大小，可能需要一些時(shí)間才能下載庫(kù)。）

在Anaconda平臺(tái)中安裝OpenCV3所需的特定代碼。

現(xiàn)在使用Anaconda安裝并運(yùn)行Spyder IDE for Python。

在Windows任務(wù)欄中搜索“Anaconda Navigator”并打開(kāi)它。

從那里可以選擇新環(huán)境并安裝Spyder。

Anaconda平臺(tái)應(yīng)用程序頁(yè)面的屏幕截圖。

顯示Spyder位置的屏幕截圖Anaconda平臺(tái)中的環(huán)境。

安裝Spyder后，通過(guò)選擇啟動(dòng)來(lái)打開(kāi)程序。/p》

人臉檢測(cè)算法

確保OpenCV平臺(tái)在Python中運(yùn)行。您可以使用以下代碼：

確認(rèn)OpenCV平臺(tái)所需的特定代碼在Python中正常運(yùn)行。

如果它去了如上所示的下一行沒(méi)有返回錯(cuò)誤，那么你將設(shè)置為繼續(xù)下一步。

你需要下載所需的Python腳本（.pv），帶有faces的圖像（。 jpg）和本文末尾提供的XML格式的Haar級(jí)聯(lián)分類器（.xml）。

注意：請(qǐng)確保將所有這些文件保存在同一文件夾中以方便訪問(wèn)。

Haar級(jí)聯(lián)分類器背后的理論有點(diǎn)復(fù)雜，為了簡(jiǎn)化它，基本上它們是包含OpenCB檢測(cè)對(duì)象所需的所有數(shù)據(jù)的XML文件，如本例中的面部。

分類器通過(guò)機(jī)器學(xué)習(xí)方法進(jìn)行訓(xùn)練，以檢測(cè)圖像中的模式，以識(shí)別其中的面部。

‘文件瀏覽器選項(xiàng)卡’w ill允許您導(dǎo)航到保存先前文件的文件夾。

您可以使用以下代碼檢查當(dāng)前工作目錄：

確認(rèn)當(dāng)前工作目錄所需的特定代碼。

如果代碼輸出文件存儲(chǔ)位置的文件夾位置，那么你就可以了。

代碼細(xì)分

包含將用于面部檢測(cè)的XML文件和圖像的特定代碼。

由于設(shè)置了一個(gè)文件夾，其中包含所有必需文件作為當(dāng)前工作目錄，因此可以搜索文件名沒(méi)有完整路徑的情況。

為此項(xiàng)目選擇的XML文件用于檢測(cè)直接面向攝像機(jī)的面。

如果可以使用不同的分類器，期望。

指定的特定代碼分類器。

此時(shí)，我們創(chuàng)建了級(jí)聯(lián)分類器并使用我們的XML文件對(duì)其進(jìn)行初始化。這會(huì)加載所需的數(shù)據(jù)以檢測(cè)變量‘haar_face_cascade’中的面。

將照片轉(zhuǎn)換為灰度所需的特定代碼。

現(xiàn)在使用OpenCV的庫(kù)函數(shù)可以將使用的photo.jpg轉(zhuǎn)換為灰度。

注意：大多數(shù)圖像機(jī)器學(xué)習(xí)操作都以灰度顯示。

執(zhí)行人臉檢測(cè)算法所需的特定代碼。

上面的函數(shù)執(zhí)行人臉檢測(cè)算法，可以分解為：

detectMultiScale：檢測(cè)對(duì)象的常規(guī)函數(shù)。

灰度：將照片轉(zhuǎn)換為灰度顏色。

scaleFactor：補(bǔ)償

minSize：可能的最小對(duì)象大小，任何小于通過(guò)此函數(shù)指定的對(duì)象的對(duì)象都將被忽略。

minNeighbors：定義需要在窗口周圍檢測(cè)到的面部圖案的數(shù)量，以將空間聲明為面。 注意：建議將此函數(shù)的值設(shè)置為0，然后逐漸增加它以查看輸出如何變化。

上述函數(shù)值為設(shè)置為最常用的那些。

鼓勵(lì)嘗試使用不同的值來(lái)找到最佳設(shè)置。

執(zhí)行該功能時(shí)，矩形標(biāo)記面的位置在圖像中。它還提供矩形左上角的坐標(biāo)（x，y）及其寬度（w）和高度（h）。

可以使用以下代碼提取信息：

提取值所需的特定代碼用于標(biāo)記照片中檢測(cè)到的面部的矩形。

我們使用這些值來(lái)使用cv.rectange函數(shù)在面周圍繪制一個(gè)矩形。

Anaconda平臺(tái)在照片中檢測(cè)到的面部周圍繪制矩形所需的特定代碼。

最后，我們使用檢測(cè)到的面部顯示圖像，并等待用戶按下一個(gè)鍵。

人臉檢測(cè)結(jié)果

我們首先在band.jpg照片上測(cè)試算法。

使用Anaconda正確執(zhí)行人臉檢測(cè)的示例。

當(dāng)我們運(yùn)行程序時(shí)，控制臺(tái)應(yīng)該回復(fù)“找到5個(gè)面孔！”并輸出帶有矩形的照片，表示其中面部的位置。

對(duì)這個(gè)家庭進(jìn)行了第二次測(cè)試照片。

Anaconda的一個(gè)例子歪曲圖像中的面孔。

該程序在本次審判中歪曲了服裝作為面孔因?yàn)榕c第一張照片不同，所有樂(lè)隊(duì)成員與相機(jī)的距離相同 - 父母離照片的距離遠(yuǎn)遠(yuǎn)超過(guò)照片中的孩子。通過(guò)將比例因子調(diào)低至1.3，可以輕松解決此問(wèn)題。

Anaconda的第二個(gè)例子正確識(shí)別圖像中的面部。

程序現(xiàn)在可以正確識(shí)別圖像中的面部。

由于此程序基于機(jī)器學(xué)習(xí)，因此永遠(yuǎn)不會(huì)提供100％的準(zhǔn)確性。如果您在大量圖像樣本上測(cè)試算法，您會(huì)發(fā)現(xiàn)它適用于大多數(shù)但不是所有情況。此外，根據(jù)照片，需要調(diào)整 detectMultiScale 函數(shù)中的參數(shù)以避免誤報(bào)。

最終代碼

1. import cv2

2.

3. # Specify the image path for face detection and XML file for the cascade

4. photo_path = “band.jpg”

5. cascade_path = “haarcascade_frontalface.xml”

6.

7. # Initialise the Haar Cascade Classifier with the XML file

8. haar_face_cascade = cv2.CascadeClassifier（cascade_path）

9.

10. # Read the photo and convert to grayscale

11. photo = cv2.imread（photo_path）

12. grayscale = cv2.cvtColor（photo， cv2.COLOR_BGR2GRAY）

13.

14. # Detect faces in the photo using OpenCV library

15. faces = haar_face_cascade.detectMultiScale（

16. grayscale，

17. scaleFactor = 1.1，

18. minNeighbors = 5，

19. minSize = （30， 30）

20. ）

21.

22. print（“Found {0} faces！”.format（len（faces）））

23.

24. # Draw a rectangle around the faces

25. for （x， y， w， h） in faces：

26. cv2.rectangle（photo， （x， y）， （x+w， y+h）， color = （0， 255， 0）， thickness = 2）

27.

28. cv2.imshow（“Faces found”， photo）

29. cv2.waitKey（0）