Python OpenCV对象检测|极客笔记

Python OpenCV对象检测

OpenCV是用于图像处理，机器学习和计算机视觉的庞大开源库。它也在实时操作中发挥着重要作用。借助OpenCV库，我们可以轻松处理图像和视频，识别文件中的对象，人脸甚至手写信息。本教程将仅关注使用OpenCV进行图像对象检测。我们将学习如何使用Python程序从给定的图像中使用OpenCV进行对象检测。

对象检测

基本上，对象检测是一种与图像处理，深度学习和计算机视觉相关的现代计算机技术，用于检测图像文件中存在的对象。对象检测技术中使用的所有技术（如前述）都与检测图像或视频中的对象实例有关。

使用OpenCV进行对象检测

我们已经在前一节中学习了对象检测，并在本节中学习如何使用OpenCV库在图像或视频中进行对象检测。我们将首先在Python程序中导入OpenCV库，然后使用函数对给定的图像文件执行对象检测。但是，在使用和导入库函数之前，让我们先安装使用对象检测技术的要求。

在本教程中，我们将使用Haar级联技术进行对象检测。让我们首先简要了解一下Haar级联技术。

Haar级联：

基本上，Haar级联技术是一种基于机器学习的方法，我们使用大量正负图像来训练分类器以对图像进行分类。Haar级联分类器被认为是使用OpenCV库进行对象检测的有效方法。现在，让我们理解我们之前讨论过的正面和负面图像的概念：

正面图像： 包含我们希望从分类器中识别的对象的图像。
负面图像： 不包含我们希望由分类器检测到的任何对象的图像，可以是其他所有物体的图像。

Python OpenCV对象检测的要求

首先，我们必须在系统中安装一些重要的库，因为这是执行对象检测任务的重要要求。为了执行对象检测，我们必须在我们的系统中安装以下库作为执行对象检测的要求：

1. 安装OpenCV库

首先，使用OpenCV库进行对象检测的要求是，我们的设备上必须有OpenCV库，以便我们可以将其导入Python程序并使用其对象检测函数。如果我们的系统中没有此库，我们可以在命令提示符终端中使用以下命令进行安装：

pip install opencv-python

Python OpenCV对象检测

当我们在终端中输入该命令后按下回车键，命令提示符中的pip安装程序将开始将OpenCV库安装到我们的系统中。

Python OpenCV对象检测

正如我们所看到的，OpenCV库已经成功安装到我们的系统中，现在我们可以将其导入到Python程序中以使用其功能。

2. 安装matplotlib库

Matplotlib在Python程序中打开、关闭、读取等图片方面非常有帮助，这就是为什么安装这个库对于目标检测变得非常重要的原因。如果我们的系统中没有matplotlib库，我们需要使用以下命令来在命令提示符窗口中安装它：

pip install matplotlib

Python OpenCV对象检测

当我们在终端中输入此命令后按下回车键，命令提示符中的pip安装程序将开始将其安装到我们的系统中。

Python OpenCV对象检测

如我们所见，matplotlib库已经成功安装在我们的系统中，现在我们可以将其导入Python程序中，以使用其打开、读取等图片的功能。

我们已经安装了执行对象检测所需的所有库，现在我们可以继续进行此任务的实现部分。

在Python中实现对象检测

在这部分中，我们将编写Python程序来进行对象检测，并了解其实现。我们将在我们的Python程序中使用以下图片来进行对象检测：

Python OpenCV对象检测

打开图像

我们首先会打开上面给出的图像，并创建图片的环境以便在输出中显示它。让我们首先看一个示例程序来了解实现，然后我们会看解释部分。

示例1： 使用OpenCV和matplotlib库在Python程序中打开图像：

# Import OpenCV module
import cv2
# Import pyplot from matplotlib as pltd
from matplotlib import pyplot as pltd
# Opening the image from files
imaging = cv2.imread("opencv-od.png")
# Altering properties of image with cv2
img_gray = cv2.cvtColor(imaging, cv2.COLOR_BGR2GRAY)
imaging_rgb = cv2.cvtColor(imaging, cv2.COLOR_BGR2RGB)
# Plotting image with subplot() from plt
pltd.subplot(1, 1, 1)
# Displaying image in the output
pltd.imshow(imaging_rgb)
pltd.show()

输出：

Python OpenCV对象检测

说明：

首先，我们将OpenCV（作为cv2）和matplotlib（作为plt）库导入程序，以便在代码中使用它们的函数。然后，我们使用cv2的imread()函数打开图像文件。

然后，我们使用cv2函数定义了程序中打开的图像的属性。然后，我们使用plt的subplot()函数对图像进行子图划分，并在其中给出参数。最后，我们使用plt模块的imshow()和show()函数来显示图像输出。

从输出中可以看到，图像作为程序结果显示出来，并且其边框已经被子图化。

图像中的识别或对象检测

现在，我们将使用detectMultiScale()函数在程序中检测图像中的对象。以下是在代码中使用detectMultiScale()函数的语法：

found = xml_data.detectMultiScale(img_gray, 
                                   minSize = (30, 30))

我们将在程序中使用条件语句来检查是否检测到图像中的任何对象，并突出显示检测到的部分。让我们通过一个示例程序了解图像中对象检测的实现。

示例2： 使用detectMultiScale()在以下Python程序中进行图像中的对象检测：

# Import OpenCV module
import cv2
# Import pyplot from matplotlib as plt
from matplotlib import pyplot as pltd
# Opening the image from files
imaging = cv2.imread("opencv-od.png")
# Altering properties of image with cv2
imaging_gray = cv2.cvtColor(imaging, cv2.COLOR_BGR2GRAY)
imaging_rgb = cv2.cvtColor(imaging, cv2.COLOR_BGR2RGB)
# Importing Haar cascade classifier xml data
xml_data = cv2.CascadeClassifier('XML-data.xml')
# Detecting object in the image with Haar cascade classifier 
detecting = xml_data.detectMultiScale(imaging_gray, 
                                   minSize = (30, 30))
# Amount of object detected
amountDetecting = len(detecting)
# Using if condition to highlight the object detected
if amountDetecting != 0:
    for (a, b, width, height) in detecting:
        cv2.rectangle(imaging_rgb, (a, b), # Highlighting detected object with rectangle
                      (a + height, b + width), 
                      (0, 275, 0), 9)
# Plotting image with subplot() from plt
pltd.subplot(1, 1, 1)
# Displaying image in the output
pltd.imshow(imaging_rgb)
pltd.show()

输出：

Python OpenCV对象检测