python_developer

‍ import numpy as np import cv2 face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') img = cv2.imread('test3.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, 1.3, 5) for (x,y,w,h) in faces: cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2) roi_gray = gray[y:y+h, x:x+w] roi_color = img[y:y+h, x:x+w] cv2.imshow('img',img) cv2.waitKey(0) cv2.destroyAllWindows() 💢💢💢💢💢💢💢💢💢

‍ import numpy as np import cv2 face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') img = cv2.imread('test3.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, 1.3, 5) for (x,y,w,h) in faces: cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2) roi_gray = gray[y:y+h, x:x+w] roi_color = img[y:y+h, x:x+w] cv2.imshow('img',img) cv2.waitKey(0) cv2.destroyAllWindows() 💢💢💢💢💢💢💢💢💢

فایل xml را در مسیری که تصویر و فایل پایتون قرار دارد ذخیره کنید

✔️قبل از اینکه ما بتوانیم با تشخیص چهره ادامه دهیم، باید طبقه بندHaar cascade بارگذاری کنیم. کتابخانه opencv برای ما کلاسی جهت تشخیص چهره و چشمها،با cv2.CascadeClassifier به عنوان ورودی فراهم می کند. که این کلاسها یا توابع در مسیر زیر قرار دارند: https://github.com/opencv/opencv/tree/master/data/haarcascades

تصویر خاکستری

تصویر اصلی

🔺من امتحانی روی تصویر قبلی پردازش انجام دادم اما تغییری ندیدم. بنابراین روی یک تصویر دیگر ادامه میدم وبعد علت این موضوع را بررسی میکنم.🔻

تبدیل تصویر اصلی به خاکستری: import cv2 import matplotlib.pyplot as plt import time img = cv2.imread('test.jpg') gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) plt.imshow(gray_img, 'gray') plt.show()

تصویر اصلی

هنگامی که یک تصویر را با استفاده از OpenCV بارگذاری می کنید، به طور پیش فرض آن را به فضای رنگ BGR بارگذاری می کند. برای نشان دادن تصویر رنگی با استفاده از matplotlib ما باید آن را به فضای RGB تبدیل کنیم. تابع زیر ، این کار برای ما انجام میدهد: def convertToRGB(img): return cv2.cvtColor(img, cv2.COLOR_BGR2RGB) ✔️لازم به ذکر است که ما در شروع قرار است از الگوریتم HAAR استفاده کنیم

✔️کدنویسی: 🔺 کتابخانه های مورد نیاز: import cv2 import matplotlib.pyplot as plt import time

✔️هر Classifier تشخیص چهره OpenCV ، دارای مزایا و معایبی است، اما تفاوت های عمده در دقت و سرعت است. بنابراین، در صورتی که تشخیص دقیق تر لازم باشد، از طبقه بند Haar استفاده میشود. که بیشتردر تکنولوژی مانند سیستم های امنیتی مناسب است. اما طبقه بندLBP سریع تر است، بنابراین باید در برنامه های تلفن همراه یا سیستم های جاسازی شده استفاده شود. 💢💢💢💢💢💢💢💢💢

✔️هر Classifier تشخیص چهره OpenCV ، دارای مزایا و معایبی است، اما تفاوت های عمده در دقت و سرعت است. بنابراین، در صورتی که تشخیص دقیق تر لازم باشد، از طبقه بند Haar استفاده میشود. که بیشتردر تکنولوژی مانند سیستم های امنیتی مناسب است. اما طبقه بندLBP سریع تر است، بنابراین باید در برنامه های تلفن همراه یا سیستم های جاسازی شده استفاده شود. 💢💢💢💢💢💢💢💢💢 🆔@image_Process 🌐https://t.me/image_Process

☑️وقت آن رسیده یکی از این دو الگوریتم را انتخاب، و شروع به کد نویسی کنیم: 💢💢💢💢💢💢💢💢💢

در نهایت، هیستوگرام های بلوک را به هم پیوند می دهد تا یک بردار ویژگی برای یک تصویر ایجاد کند که شامل تمام ویژگی هایی است که ما علاقه مند هستیم. بنابراین، چگونگی استخراج ویژگی های LBP از یک تصویر را بررسی کردیم. 💢💢💢💢💢💢💢💢💢

سپس، مقادیر هر بلوک را به یک هیستوگرام تبدیل می کند، بنابراین اکنون ما یک هیستوگرام برای هر بلوک در یک تصویر دریافت کرده ایم، مانند تصویر زیر: 💢💢💢💢💢💢💢💢💢