安裝Anaconda環(huán)境

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

Anaconda平臺網(wǎng)站下載頁面。

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平臺的高級版安裝選項窗口。

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

一個窗口，顯示使用Anaconda平臺安裝Microsoft Visual Studio代碼安裝的選項。

本教程不需要安裝“Microsoft Visual Studio Code”，因為它將使用Spyder IDE環(huán)境以Python編程。

繼續(xù)并選擇在出現(xiàn)時跳過安裝選項。

一些程序?qū)⑹俏彝ㄟ^設(shè)置過程安裝：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

要測試Anaconda命令是否正常工作，請運(yùn)行以下代碼。

測試Anaconda命令是否正常運(yùn)行所需的特定代碼。

此過程中，為Python 3.5版本創(chuàng)建了一個新的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。

你會找到一個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，否則它可能會沒有與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)在所有未來的安裝都只適用于這個特定的環(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平臺當(dāng)前正在運(yùn)行的Python版本的特定代碼。

安裝OpenCV3和依賴項

首先，安裝NumPy庫進(jìn)行科學(xué)計算。

安裝NumPy庫所需的特定代碼。

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，可能需要一些時間才能下載庫。）

在Anaconda平臺中安裝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”并打開它。

從那里可以選擇新環(huán)境并安裝Spyder。

Anaconda平臺應(yīng)用程序頁面的屏幕截圖。

顯示Spyder位置的屏幕截圖Anaconda平臺中的環(huán)境。

安裝Spyder后，通過選擇啟動來打開程序。/p》

人臉檢測算法

確保OpenCV平臺在Python中運(yùn)行。您可以使用以下代碼：

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

如果它去了如上所示的下一行沒有返回錯誤，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級聯(lián)分類器（.xml）。

注意：請確保將所有這些文件保存在同一文件夾中以方便訪問。

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

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

‘文件瀏覽器選項卡’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的XML文件和圖像的特定代碼。

由于設(shè)置了一個文件夾，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有完整路徑的情況。

為此項目選擇的XML文件用于檢測直接面向攝像機(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，我們創(chuàng)建了級聯(lián)分類器并使用我們的XML文件對其進(jìn)行初始化。這會加載所需的數(shù)據(jù)以檢測變量‘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)行人臉檢測算法所需的特定代碼。

上面的函數(shù)執(zhí)行人臉檢測算法，可以分解為：

detectMultiScale：檢測對象的常規(guī)函數(shù)。

灰度：將照片轉(zhuǎn)換為灰度顏色。

scaleFactor：補(bǔ)償

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

minNeighbors：定義需要在窗口周圍檢測到的面部圖案的數(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。

鼓勵嘗試使用不同的值來找到最佳設(shè)置。

執(zhí)行該功能時，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)記照片中檢測到的面部的矩形。

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

Anaconda平臺在照片中檢測到的面部周圍繪制矩形所需的特定代碼。

最后，我們使用檢測到的面部顯示圖像，并等待用戶按下一個鍵。

人臉檢測結(jié)果

我們首先在band.jpg照片上測試算法。

使用Anaconda正確執(zhí)行人臉檢測的示例。

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

對這個家庭進(jìn)行了第二次測試照片。

Anaconda的一個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為與第一張照片不同，所有樂隊成員與相機(jī)的距離相同 - 父母離照片的距離遠(yuǎn)遠(yuǎn)超過照片中的孩子。通過將比例因子調(diào)低至1.3，可以輕松解決此問題。

Anaconda的第二個例子正確識別圖像中的面部。

程序現(xiàn)在可以正確識別圖像中的面部。

由于此程序基于機(jī)器學(xué)習(xí)，因此永遠(yuǎn)不會提供100％的準(zhǔn)確性。如果您在大量圖像樣本上測試算法，您會發(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。

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）