小编给大家分享一下Python OpenCV图像识别的示例分析，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！
一、人脸识别
主要有以下两种实现方法：
哈尔（Haar）级联法：专门解决人脸识别而推出的传统算法；
实现步骤：
创建Haar级联器；
导入图片并将其灰度化；
调用函数接口进行人脸识别；
函数原型：
detectMultiScale（img，scaleFactor，minNeighbors）
scaleFactor：缩放尺寸；
minNeighbors：最小像素值；
代码案例：
# 创建Haar级联器facer = cv2.CascadeClassifier('./haarcascades/haarcascade_frontalface_default.xml')# 导入人脸图片并灰度化img = cv2.imread('p3.png')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 调用接口faces = facer.detectMultiScale(gray, 1.1, 5)for (x,y,w,h) in faces: cv2.rectangle(img, (x,y), (x+w, y+h), (0,0,255), 2)cv2.imshow('img', img)cv2.waitKey()
结论：Haar级联法对于完整脸部的检测效果还是不错的，但对于不完整脸部识别效果差，这可能也是传统算法的一个缺陷所在，泛化能力比较差；
拓展：Haar级联器还可以对脸部中细节特征进行识别
代码如下：
# 创建Haar级联器facer = cv2.CascadeClassifier('./haarcascades/haarcascade_frontalface_default.xml')eyer = cv2.CascadeClassifier('./haarcascades/haarcascade_eye.xml')# 导入人脸图片并灰度化img = cv2.imread('p3.png')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 调用接口faces = facer.detectMultiScale(gray, 1.1, 5)i = 0for (x,y,w,h) in faces: cv2.rectangle(img, (x,y), (x+w, y+h), (0,0,255), 2) ROI_img = img[y:y+h, x:x+w] eyes = eyer.detectMultiScale(ROI_img, 1.1, 5) for (x,y,w,h) in eyes: cv2.rectangle(ROI_img, (x,y), (x+w, y+h), (0,255,0), 2) i += 1 name = 'img'+str(i) cv2.imshow(name, ROI_img)cv2.waitKey()
总结：Haar级联器提供了多种脸部属性的识别，眼睛鼻子嘴巴都可以，但效果不一定那么准确；
二、车牌识别
结构：Haar+Tesseract车牌识别；
说明：Haar级联器仅用于定位车牌的位置，Tesseract用于提取其中的内容；
实现步骤：
Haar级联器定位车牌位置；
车牌预处理操作（二值化、形态学、滤波去噪、缩放）；
调用Tesseract进行文字识别；
注意：这里需要预先安装Tesseract；
代码案例：
import pytesseract# 创建Haar级联器carer = cv2.CascadeClassifier('./haarcascades/haarcascade_russian_plate_number.xml')# 导入人脸图片并灰度化img = cv2.imread('chinacar.jpeg')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 调用接口 cars = carer.detectMultiScale(gray, 1.1, 3)for (x,y,w,h) in cars: cv2.rectangle(img, (x,y), (x+w, y+h), (0,0,255), 2)# 提取ROIroi = gray[y:y+h, x:x+w]# 二值化ret, roi_bin = cv2.threshold(roi, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 文字识别pytesseract.pytesseract.tesseract_cmd = r"D:\Tesseract_OCR\tesseract.exe"text = pytesseract.image_to_string(roi, lang='chi_sim+eng',config='--psm 8 --oem 3')print(text)cv2.putText(img, text, (20,100), cv2.FONT_HERSHEY_SIMPLEX, 2, (0,0,255), 3)cv2.imshow('img', img)cv2.waitKey()
结论：车牌的位置检测比较准确，但Tesseract的识别并不那么准确，可能用ORC识别会准确一些；当然识别的准确率也和图像处理后比较模糊有关，做一些处理能够提升文字的识别率；
三、DNN图像分类
DNN为深度神经网络，并且是全连接的形式；
注意：OpenCV能够使用DNN模型，但并不能训练；
DNN使用步骤：
读取模型，得到网络结构；
读取数据（图片或视频）
将图片转成张量，送入网络；
模型输出结果；
函数原型：
导入模型：readNet（model，[config]）
图像转张量：blobFromImage（image，scalefactor，size，mean，swapRB，crop）
送入网络：net.setInput（blob）
模型推理：net.forward（）
代码案例：
# 导入模型config = "./model/bvlc_googlenet.prototxt"model = "./model/bvlc_googlenet.caffemodel"net = dnn.readNetFromCaffe(config, model)# 加载图片，转成张量img = cv2.imread('./smallcat.jpeg')blob = dnn.blobFromImage(img, 1.0, (224,224), (104,117,123))# 模型推理net.setInput(blob)r = net.forward()idxs = np.argsort(r[0])[::-1][:5]# 分类结果展示path = './model/synset_words.txt'with open(path, 'rt') as f: classes = [x[x.find(" ")+1:]for x in f]for (i, idx) in enumerate(idxs):# 将结果展示在图像上 if i == 0: text = "Label: {}, {:.2f}%".format(classes[idx], r[0][idx] * 100) cv2.putText(img, text, (5, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)# 显示图像cv2.imshow("Image", img)cv2.waitKey(0)
看完了这篇文章，相信你对“Python OpenCV图像识别的示例分析”有了一定的了解，如果想了解更多相关知识，欢迎关注编程网行业资讯频道，感谢各位的阅读！
