使用 OpenCV-Python 检测对象

OpenCV 是用于计算机视觉、机器学习和图像处理的庞大开源库，现在它在实时操作中发挥着重要作用，这在当今的系统中非常重要。通过使用它，人们可以处理图像和视频以识别物体、面部，甚至是人类的笔迹。本文重点介绍检测对象。

注意：有关详细信息，请参阅 OpenCV 简介。

物体检测

对象检测是一种与计算机视觉、图像处理和深度学习相关的计算机技术，用于检测图像和视频中的对象实例。我们将在本文中使用称为haar cascades的东西进行对象检测。

哈尔瀑布

Haar Cascade 分类器是一种有效的目标检测方法。这种方法是由 Paul Viola 和 Michael Jones 在他们的论文 Rapid Object Detection using a Boosted Cascade of Simple Features 中提出的。 Haar Cascade 是一种基于机器学习的方法，其中使用大量正面和负面图像来训练分类器。

• 正面图像——这些图像包含我们希望分类器识别的图像。
• 负图像 -其他所有图像，不包含我们想要检测的对象。
  要求。

下载要求的步骤如下：

• 在终端运行以下命令安装opencv。

  pip install opencv-python
  

• 运行以下命令在终端中安装 matplotlib。

  pip install matplotlib
  

• 要将以下代码中使用的 haar 级联文件和图像下载为 zip 文件，请单击此处。

注意：将 XML 文件和 PNG 图像放在与Python脚本相同的文件夹中。

执行

使用的图像：

打开图像

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()

输出：

认出

我们将使用 OpenCV 的detectMultiScale()函数来识别大符号和小符号：

# Use minSize because for not 
# bothering with extra-small 
# dots that would look like STOP signs
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)

这是懒惰的开发者的完整脚本：

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()

输出 ：