最後一天了，讓我們來介紹人臉辨識吧!

人臉辨識

　人臉辨識是與人機互動中最重要的特徵，因此影像處理或電腦視覺領域中，許多專家學者持續投入研究。目前被廣泛應用的臉部偵測演算法為Viola-Jones臉部偵測。
　Viola-Jones的臉部偵測技術，處理步驟如下:
　(1) Haar特徵(Haar Feartures)：首先根據輸入影像先擷取Haar特徵。計算黑色與白色區域的像素間的差值。Viola-Jones臉部偵測技術是以24 * 24的影像大小為基礎。
　(2) 積分影像(Integral Image)：積分影像是指計算像素總和。如下圖所示。積分影像主要是根據(x,y)的位置，取其左上角的像素總和。計算而得的積分影像可以用來加速Haar特徵運算。

　(3) Adaboost：根據24 * 24的影像大小所擷取的Haar特徵總共有160,000多個，但僅某些特徵較有用，其他則不相關。本步驟是用來找到與臉部偵測相關的Haar特徵，稱為弱分類器(Weak Classifier)。Adaboost以線性組合的方式結合這些弱分類器，形成強分類器(Strong Classifier)。

　(4) 串接(Cascading)：串接是將上述的強分類器串接，目的是在希望快速移除非臉部區域並將重點放在可能的臉部區域，所建構的分類器稱為串接分類器(Cascade Classifier)。

　Viola-Jones臉具偵測訓練分類器時，是以龐大的資料庫做為訓練樣本，包含5000個臉部區域(均為正面臉部)與9400個非臉部區域，臉部偵測的正確率相當高，因此成為最具代表性的臉具偵測技術。

　OpenCV提供Viola-Jones物件偵測框架演算法，稱為Haar串接分類器，不僅可以用來偵測臉部，同時也可以用來偵測臉部其他特徵等。

import numpy as np
import cv2

def face_detection(f):
   g = f.copy()
   gray = cv2.cvtColor(f, cv2.COLOR_BGR2GRAY)
   face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml")
   faces = face_cascade.detectMultiScale(gray, 1.1, 5)

   for (x, y, w, h) in faces:
       g = cv2.rectangle( g,(x, y), (x + w, y + h), (255, 0, 0), 2)
   
   return g


def main():
   img1 = cv2.imread("D:/Desktop/IThome/face.bmp", -1)
   img2 = face_detection(img1)
   cv2.imshow("Original", img1)
   cv2.imshow("After", img2)
   cv2.waitKey()
   cv2.destroyAllWindows()

main()

結果如下: