1.什么是計算機視覺？

\qquad計算機視覺（computer vision）：機器試圖理解所看到的目標。計算機視覺通過算法去嘗試理解視覺信息，從而將理解轉化為分類，決策，模式觀察等等。

2.計算機視覺的應用

\qquad物體檢測、字符識別、指紋識別等等。

3.計算機視覺如何理解視覺信息？

\qquad計算機理解視覺信息，有兩種方式，一種是自下而上（bottom-up），一種是自上而下（up-bottom）。兩者的區(qū)別是計算機的注意機制不同。

3.1由下而上（bottom-up）的方式

\qquad所謂計算機由下而上的理解視覺信息，是指計算機只關注圖像中的興趣區(qū)域，獲取對象特征；

3.1由上而下（up-bottom）的方式

\qquad所謂計算機由上而下的理解視覺信息，是指計算機關注圖像中的整體區(qū)域，即通過全局信息來得到當前的圖像關注點，利用背景的視覺信息獲取對對象的理解。

4.圖像

4.1如何讓計算機對圖像進行處理？

\qquad圖像即數(shù)組。
\qquad圖像由一個個像素點組成，圖像的單位面積像素點越多，圖像的分辨率越高，而每個像素點我們可以由數(shù)字確定表示，計算機可以對這些表示像素點的數(shù)值進行處理，從而進行圖像處理。
\qquad每一張圖像，我們都可以看成一個二維網(wǎng)格，每一個像素都是組成網(wǎng)格的最小單元。

4.2基于RGB的像素表示

\qquad每一個像素點都有一個顏色，那么這個顏色如何使用數(shù)值表示呢？在RGB色彩原理中，任何一種顏色都可以由一個3 $\times$ 1的向量[R,G,B]表示。
RGB配色表
\qquad 查看RGB配色表，我們可以看出各種顏色的RGB的值，即向量的值。比如黑色[0,0,0]，白色[255,255,255]，其它顏色也都分布在[0,0,0]和[255,255,255]之間，其中當R=G=B時，顏色為不同程度的灰色；當顏色為彩色時，[R,G,B]三者不完全相同。
\qquad為了減輕計算機的計算量，當圖片為二進制圖像或者灰度圖像時，因為R=G=B，所以我們只采用1$\times$ 1的數(shù)值表示像素顏色，即每個像素點只有一個通道；當圖像為彩色時，我們采取3$\times$ 1的向量[R,G,B]表示每個像素點，即每個像素點有三個通道。
\qquad假如一張灰度圖像，長有200個像素點，寬有150個像素點，所以可以使用200$\times$ 150的矩陣表示；假如一張彩色圖像，長有200個像素點，寬有150個像素點，那么可以用200$\times$ 150$\times$ 3的3D矩陣陣列來表示。
\qquad 基于RGB的色彩組成原理，我們對圖像做很多操作，比如圖像分割，利用同一張圖像中，不同物體對象間的色彩差異，查找對象間的邊緣，從而對同一張圖片中的不同對象進行分割；尋找角點，在對圖像進行分割之后，查找圖像以獲得某些特征，也稱為角點。

5.圖像處理基礎函數(shù)

\qquad我們使用python對圖像進行處理，需要安裝opencv-python，matplotlib等。
\qquad 5.1 讀取圖像

import cv2 import matplotlib.pyplot as plt import timep_color = cv2.imread('F:\dog.jpg') print(p_color.shape) print(p_color)

\qquad通過cv.imread()可以讀取圖片，生成數(shù)值矩陣，上面這張dog圖片的矩陣形狀為520$\times$ 600$\times$ 3，是一張彩色圖像。
\qquad 5.2 彩色圖像灰度化，opencv是對灰度圖像進行處理，所以需要把彩色圖像處理為灰度圖像。

import cv2 import matplotlib.pyplot as pltp_color = cv2.imread('F:\dog.jpg') p_gray = cv2.cvtColor(p_color,cv2.COLOR_BGR2GRAY) print(p_gray.shape)

\qquad通過cv2.cvtColor(p_color,cv2.COLOR_BGR2GRAY)，將p_color轉換為灰度圖片，上述代碼輸出矩陣為520$\times$ 600。

\qquad 5.2 矩陣圖像的可視化

import cv2 import matplotlib.pyplot as pltp_color = cv2.imread('F:\dog.jpg') p_gray = cv2.cvtColor(p_color,cv2.COLOR_BGR2GRAY) plt.imshow(p_gray,cmap='gray') plt.show()

\qquad plt.imshow(p_gray,cmap=‘gray’) plt.show()將灰度化的圖像顯示。

6.人臉數(shù)目檢測

import cv2 import matplotlib.pyplot as plt# 載入圖片 p_color = cv2.imread('../face1.jpg') # 將圖像灰度化 p_gray = cv2.cvtColor(p_color,cv2.COLOR_BGR2GRAY) #展示灰度圖像 plt.imshow(p_gray,cmap='gray') plt.show()# 載入haarcascade級聯(lián)分類器cascade classifier haarcascade = cv2.CascadeClassifier('../haarcascade_frontalface_alt.xml') # 檢測圖像人臉個數(shù) faces = haarcascade.detectMultiScale(p_gray, scaleFactor=1.1, minNeighbors=5) print("人臉的個數(shù)：",len(faces))# 給檢測到的人臉加矩形框 for (x, y, w, h) in faces:cv2.rectangle(p_color, (x, y), (x+w, y+h), (0, 255, 0), 2) # 展示檢測到的人臉并加矩形框 plt.imshow(cv2.cvtColor(p_color, cv2.COLOR_BGR2RGB)) plt.show()

上述代碼依次輸出：
\qquad圖片face1，haarcascade_frontalface_alt.xml和程序代碼可以查看人臉數(shù)目檢測

總結

以上是生活随笔為你收集整理的计算机视觉——简介以及人脸数目检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。