Linux[高级管理]——使用源码包编译安装Apache网站

目录

一、CascadeClassifier应用简介

1.1 objdetect模块

1.2 CascadeClassifier类

1.3 detectMultiScale函数详解

二、CascadeClassifier应用示例

2.1 模型及图片下载准备

2.2 程序代码

2.3 程序编译及运行

一、CascadeClassifier应用简介

1.1 objdetect模块

        在OpenCV中，objdetect模块提供了对象检测的功能，特别是基于预训练分类器的对象检测，如人脸检测、人体检测或其他特定目标的检测。

        以下是objdetect模块中常用的一些类和函数：

1. CascadeClassifier：
   CascadeClassifier类用于加载预训练的分类器，如Haar特征或LBP特征的级联分类器，通常用于人脸检测。加载分类器后，可以使用detectMultiScale函数在图像中检测对象。

2. HOGDescriptor：
   HOGDescriptor类用于计算图像的Histogram of Oriented Gradients（HOG）描述符，通常与SVM分类器结合使用，进行行人检测等任务。

3. DNN（深度神经网络）：
   虽然DNN不是objdetect模块的直接部分，但OpenCV提供了dnn模块，该模块可以用于加载和运行深度学习模型进行对象检测。例如，你可以使用YOLO、SSD或Faster R-CNN等模型进行对象检测。

4. 其他检测器：
   除了上述的Haar和HOG检测器外，objdetect模块还包含其他类型的对象检测器，如基于LSD（Line Segment Detector）的线检测器和基于轮廓的方法。但是，这些功能可能不像Haar和HOG那样直接在该模块中提供，而是需要一些额外的处理和编程。

1.2 CascadeClassifier类

   CascadeClassifier 类用于对象检测，特别是基于Haar或LBP特征的级联分类器的对象检测，这种检测方法通常用于人脸检测，但也可以用于其他目标，如眼睛、鼻子等。

        以下是使用 CascadeClassifier 类进行人脸检测的基本步骤：

1. 加载级联分类器：首先，你需要加载一个预训练的级联分类器文件（通常是一个.xml文件）。这个文件包含了用于对象检测的级联函数和特征。对于人脸检测，OpenCV提供了一些预训练的模型，如haarcascade_frontalface_default.xml。
2. 读取图像：使用 imread 函数读取要检测的图像。
3. 预处理图像（可选）：对于某些级联分类器，将图像转换为灰度可能是必要的，因为级联分类器通常是在灰度图像上训练的。使用 cvtColor 函数进行转换。
4. 检测对象：使用 CascadeClassifier 类的 detectMultiScale 函数在图像中检测对象。这个函数会返回一组矩形区域，表示检测到的对象的位置和大小。
5. 绘制检测结果：使用 rectangle 函数在原始图像上绘制检测到的对象的边界框。
6. 显示或保存结果：使用 imshow 函数显示结果图像，或使用 imwrite 函数将结果保存到文件。

1.3 detectMultiScale函数详解

  CascadeClassifier 类的 detectMultiScale 函数是用于在图像中检测多个对象（如人脸）的。这个函数基于Haar或LBP特征的级联分类器来工作，并返回一系列矩形（cv::Rect），这些矩形表示在图像中检测到的对象的位置。

void CascadeClassifier::detectMultiScale(  
    InputArray image,  
    std::vector<Rect>& objects,  
    double scaleFactor = 1.1,  
    int minNeighbors = 3,  
    int flags = 0,  
    Size minSize = Size(),  
    Size maxSize = Size()  
);

        参数说明：

1. image：待检测的输入图像。它应该是灰度图像（CV_8UC1），除非你已经对彩色图像训练了特定的分类器。
2. objects：一个向量，用于存储检测到的对象的矩形边界框。每个矩形由其左上角坐标 (x, y) 和宽高 (width, height) 定义。
3. scaleFactor：比例因子，用于表示在每次图像缩放时的大小变化率。较小的值会产生更精确的结果，但也会增加计算时间。默认为1.1。
4. minNeighbors：构成检测到的对象的相邻矩形的最小数量。如果数量太少，可能会丢弃该检测。这个参数可以减少误检（假阳性）。默认为3。
5. flags：修改检测方式的标志。它可以是以下值的组合：
   • CASCADE_SCALE_IMAGE：在检测过程中按比例缩放图像。如果未设置此标志，则会按比例缩放分类器检测窗口。默认为设置此标志。
   • CASCADE_FIND_BIGGEST_OBJECT：只返回最大的对象检测。
   • CASCADE_DO_ROUGH_SEARCH：做初步检测，接受被其他级联拒绝的候选对象。这可能会增加误检，但可能会找到一些遗漏的对象。
6. minSize：检测窗口的最小可能大小。小于此尺寸的窗口将被忽略。默认为空，表示没有限制。
7. maxSize：检测窗口的最大可能大小。大于此尺寸的窗口将被忽略。默认为空，表示没有限制。

        返回值

        此函数没有返回值。检测到的对象边界框存储在传入的 objects 向量中。

二、CascadeClassifier应用示例

2.1 模型及图片下载准备

        需要用到预先训练好的模型“haarcascade_frontalface_default.xml”，前往gitee网站下载haarcascade_frontalface_default.xml · Miwat/face_recognition_LBPH - Gitee.com

        前往网上，下载人物图片用于人脸识别验证。

2.2 程序代码

        main.cpp实现

#include <opencv2/opencv.hpp>  
#include <opencv2/objdetect/objdetect.hpp>  

int main(int argc, char** argv)  
{  
    // 加载预训练的人脸分类器  
    cv::CascadeClassifier face_cascade;  
    if (!face_cascade.load("haarcascade_frontalface_default.xml"))  
    {  
        std::cerr << "--(!)Error loading face cascade\n";  
        return -1;  
    }  

    // 读取图像  
    cv::Mat image = cv::imread(argv[1], cv::IMREAD_COLOR);  
    if (image.empty())  
    {  
        std::cerr << "--(!)Error loading image\n";  
        return -1;  
    }  

    // 转换为灰度图像（大多数级联分类器在灰度图像上工作得更好）  
    cv::Mat gray;  
    cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY);  
    //获取训练集的原始尺寸，作为分类器的最小尺寸，这样能得到最佳的检测效果（不是必须的）
	// cv::Size original_size = face_cascade.getOriginalWindowSize();
    // std::cerr << "original_size = " << original_size << "\n";
    // 检测人脸  
    std::vector<cv::Rect> faces;  
    face_cascade.detectMultiScale(gray, faces, 1.1, 2, 0 | cv::CASCADE_SCALE_IMAGE, cv::Size(24, 16)/*original_size*//*cv::Size(30, 30)*/);  
    std::cerr << "faces.size() = " << faces.size() << "\n";
    // 在图像上绘制检测到的人脸  
    for (size_t i = 0; i < faces.size(); i++)  
    {  
        cv::rectangle(image, faces[i], cv::Scalar(255, 0, 0), 2);  
    }  

    // 显示结果  
    cv::imshow("Faces", image);  
    cv::waitKey(0);  

    return 0;  
}

2.3 程序编译及运行

        本文是采用win系统下，opencv采用MinGW编译的静态库（C/C++开发，win下OpenCV+MinGW编译环境搭建_opencv mingw-CSDN博客），建立makefile：

#/bin/sh
#win32
CX= g++ -DWIN32 
#linux
#CX= g++ -Dlinux 

BIN 		:= ./
TARGET      := opencv_objdetect01.exe
FLAGS		:= -std=c++11 -static
SRCDIR 		:= ./
#INCLUDES
INCLUDEDIR 	:= -I"../../opencv_MinGW/include" -I"./"
#-I"$(SRCDIR)"
staticDir   := ../../opencv_MinGW/x64/mingw/staticlib/
#LIBDIR		:= $(staticDir)/libopencv_world460.a\
#			   $(staticDir)/libade.a \
#			   $(staticDir)/libIlmImf.a \
#			   $(staticDir)/libquirc.a \
#			   $(staticDir)/libzlib.a \
#			   $(wildcard $(staticDir)/liblib*.a) \
#			   -lgdi32 -lComDlg32 -lOleAut32 -lOle32 -luuid 
#opencv_world放弃前，然后是opencv依赖的第三方库，后面的库是MinGW编译工具的库

LIBDIR 	    := -L $(staticDir) -lopencv_world460 -lade -lIlmImf -lquirc -lzlib \
				-llibjpeg-turbo -llibopenjp2 -llibpng -llibprotobuf -llibtiff -llibwebp \
				-lgdi32 -lComDlg32 -lOleAut32 -lOle32 -luuid 
source		:= $(wildcard $(SRCDIR)/*.cpp) 

$(TARGET) :
	$(CX) $(FLAGS) $(INCLUDEDIR) $(source)  -o $(BIN)/$(TARGET) $(LIBDIR)

clean:
	rm  $(BIN)/$(TARGET)

        编译如下：

        程序运行输出如下：

        大家可以调节各个参数来观察其效果。