OpenCV是用于計算機視覺、機器學習和圖像處理的大型開源庫，現(xiàn)在它在實時操作中發(fā)揮著重要作用，這在當今的系統(tǒng)中非常重要。通過使用它，人們可以處理圖像和視頻來識別物體、人臉，甚至人類的筆跡。本文的重點是檢測對象。

有關(guān)詳細信息，請參閱機器學習、深度學習、計算機圖像處理及知識圖譜應用與核心技術(shù)實戰(zhàn)課程中對OpenCV的講解。

目標檢測

目標檢測是一種與計算機視覺、圖像處理和深度學習相關(guān)的計算機技術(shù)，用于檢測圖像和視頻中的對象實例。在本文中，我們將使用稱為haar級聯(lián)的東西來進行對象檢測。

Haar級聯(lián)分類器?? ? ? ? ? ? ? ? ? ?

Haar級聯(lián)分類器是一種有效的目標檢測方法。該方法由Paul Viola和Michael Jones在他們的論文《使用簡單特征的提升級聯(lián)快速目標檢測》中提出。Haar Cascade是一種基于機器學習的方法，其中使用大量正負圖像來訓練分類器。

正圖像–這些圖像包含我們希望分類器識別的圖像。

Negative Images–其他一切的圖像，不包含我們要檢測的對象。

下載以下需求的步驟

在終端中運行以下命令以安裝opencv。

Pip install opencv python

運行以下命令以在終端中安裝Matplotlib。

Pip ?matplotlib

注意：將XML文件和PNG圖像放在與Python腳本相同的文件夾中。

具體實施

使用的圖像：

（1）打開圖像

Python代碼：

import CV2

from matplotlib import pyplot as plt

# Opening image

img = CV2.imread("image.jpg")

# OpenCV opens images as BRG

# but we want it as RGB and

# we also need a grayscale

# version

img_gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)

img_rgb = CV2.cvtColor(img, CV2.COLOR_BGR2RGB)

# Creates the environment

# of the picture and shows it

plt.subplot(1, 1, 1)

plt.imshow(img_rgb)

plt.show()

輸出：

（2）識別

我們將使用OpenCV的detectMultiScale（）函數(shù)來識別大符號和小符號：

# Use minSize because for not

# bothering with extra-small

# dots that would look like STOP signs

stop_data = CV2.CascadeClassifier('stop_data.xml')

found = stop_data.detectMultiScale(img_gray,

minSize =(20, 20))

# Don't do anything if there's

# no sign

amount_found = len(found)

if amount_found != 0:

# There may be more than one

# sign in the image

for (x, y, width, height) in found:

# We draw a green rectangle around

# every recognized sign

CV2.rectangle(img_rgb, (x, y),

(x + height, y + width),

(0, 255, 0), 5)

下面是完整腳本：

import CV2

from matplotlib import pyplot as plt

# Opening image

img = CV2.imread("image.jpg")

# OpenCV opens images as BRG

# but we want it as RGB We'll

# also need a grayscale version

img_gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)

img_rgb = CV2.cvtColor(img, CV2.COLOR_BGR2RGB)

# Use minSize because for not

# bothering with extra-small

# dots that would look like STOP signs

stop_data = CV2.CascadeClassifier('stop_data.xml')

found = stop_data.detectMultiScale(img_gray,

minSize =(20, 20))

# Don't do anything if there's

# no sign

amount_found = len(found)

if amount_found != 0:

# There may be more than one

# sign in the image

for (x, y, width, height) in found:

# We draw a green rectangle around

# every recognized sign

CV2.rectangle(img_rgb, (x, y),

(x + height, y + width),

(0, 255, 0), 5)

# Creates the environment of

# the picture and shows it

plt.subplot(1, 1, 1)

plt.imshow(img_rgb)

plt.show()

輸出：

無論你是在準備你的第一次求職面試，還是在這個不斷發(fā)展的科技景觀中追求更高的技能，中培IT學院機器學習、深度學習、計算機圖像處理及知識圖譜應用與核心技術(shù)實戰(zhàn)課程將是是你成功的關(guān)鍵。本次培訓從實戰(zhàn)的角度對深度學習技術(shù)進行了全面的剖析，并結(jié)合實際案例分析和探討深度學習的應用場景，給深度學習相關(guān)從業(yè)人員以指導和啟迪。中培IT學院累計培訓10萬+人次，期待您的加入。