OpenCV也提供了一些机器学习的方法，比如DNN。本文将详细介绍OpenCV中通过机器学习实现的一些图像识别功能：人脸识别、车牌识别等。有兴趣的可以看看。
目录
背景1、人脸识别2、车牌识别3、DNN图像分类
背景
OpenCV也提供了一些机器学习的方法，比如DNN；本文将简单介绍机器学习的一些应用，对比传统和前沿的算法，从中可以看出优劣；
一、人脸识别
主要有以下两种实现方式：
1.哈尔级联法：一种专门用于人脸识别的传统算法：
实施步骤：
创建哈尔梯级；
导入图片并对其进行灰度化；
调用函数接口进行人脸识别；
功能原型：
检测多尺度(img，比例因子，minNeighbors)
ScaleFactor:缩放尺寸；
MinNeighbors:最小像素值；
代码案例：
#创建哈尔瀑布
facer=cv2。级联分类器('。/haarcascades/haarcascade _ front alface _ default . XML’)
#导入面部图片并对其进行灰度处理
img=cv2.imread('p3.png ')
gray=cv2.cvtColor(img，cv2。COLOR_BGR2GRAY)
#呼叫接口
faces=facer . detect multi scale(gray，1.1，5)
对于面中的(x，y，w，h ):
cv2.rectangle(img，(x，y)，(x w，y h)，(0，0，255)，2)
cv2.imshow('img '，img)
cv2.waitKey()
结论：Haar级联法对完整人脸的检测效果较好，但对不完整人脸的识别效果较差，这可能也是传统算法的一个缺陷，泛化能力较差。
扩展：Haar cascade还可以识别面部的细节特征。
代码如下：
#创建哈尔瀑布
facer=cv2。级联分类器('。/haarcascades/haarcascade _ front alface _ default . XML’)
eyer=cv2。级联分类器('。/Haar cascades/Haar cascade _ eye . XML’)
#导入面部图片并对其进行灰度处理
img=cv2.imread('p3.png ')
gray=cv2.cvtColor(img，cv2。COLOR_BGR2GRAY)
#呼叫接口
faces=facer . detect multi scale(gray，1.1，5)
i=0
对于面中的(x，y，w，h ):
cv2.rectangle(img，(x，y)，(x w，y h)，(0，0，255)，2)
ROI_img=img[y:y h，x:x w]
eyes=eyer . detect multi scale(ROI _ img，1.1，5)
对于眼睛中的(x，y，w，h ):
cv2.rectangle(ROI_img，(x，y)，(x w，y h)，(0，255，0)，2)
i=1
name='img' str(i)
cv2.imshow(名称，ROI_img)
cv2.waitKey()
总结：Haar Cascade提供了多种面部属性识别，包括眼睛、鼻子和嘴巴，但是效果不一定那么准确；
二、车牌识别
结构：哈尔宇宙魔方车牌识别；
说明：Haar cascade只用于定位车牌的位置，Tesseract用于提取内容；
实施步骤：
1.哈尔级联装置定位车牌位置；
2.车牌预处理操作(二值化、形态学、滤波去噪、缩放)；
3.调用Tesseract进行字符识别；
注：宇宙魔方；这里需要提前安装；
代码案例：
导入pytesseract
#创建哈尔瀑布
看护者=cv2。级联分类器('。/haarcascades/haarcascade _ Russian _ plate _ number . XML ')
#导入面部图片并对其进行灰度处理
img=cv2.imread('chinacar.jpeg ')
gray=cv2.cvtColor(img，cv2。COLOR_BGR2GRAY)
#呼叫接口
cars=carer.detectMultiScale(灰色，1.1，3)
对于汽车中的(x，y，w，h ):
cv2.rectangle(img，(x，y)，(x w，y h)，(0，0，255)，2)
#提取ROI
roi=gray[y:y h，x:x w]
#二值化
ret，roi_bin=cv2.threshold(roi，0，255，cv2。THRESH_BINARY cv2。OTSU)
#单词识别
' pytesserac . pytesserac . tesserac _ cmd=r ' d:\ tesserac _ OCR \ tesserac t . exe '
text=pytesserac t . image _ to _ string(ROI，lang='chi_sim eng '，config=' - psm 8 - oem 3 ')
打印(文本)
cv2.putText(img，Text，(20，100)，cv2。FONT_HERSHEY_SIMPLEX，2，(0，0，255)，3)
cv2.imshow('img '，img)
cv2.waitKey()
结论：车牌的定位检测是准确的，但是Tesseract没有那么准确，所以ORC可能更准确。当然，识别精度也与图像处理后的模糊性有关。做一些处理可以提高单词的识别率；
三、DNN图像分类
DNN是深度神经网络，而且是全连接的形式；
注意：OpenCV可以使用DNN模型，但不能训练；
使用DNN的步骤：
读取模型，得到网络结构；
读取数据(图片或视频)
把图片变成张量发给网络；
模型的输出结果；
功能原型：
导入模型：readNet(模型，[配置])
图像张量：blobFromImage(图像、比例因子、大小、平均值、swapRB、裁剪)
进入网络：net.setInput(blob)
模型推理：net.forward()
代码案例：
#导入模型
配置='。/model/bvlc_googlenet.prototxt '
型号='。/model/bvlc _ Google net . caffe model '
net=dnn.readNetFromCaffe(配置，型号)
#加载图片并将其转换为张量
img=cv2.imread('。/small cat . JPEG’)
blob=dnn.blobFromImage(img，1.0，(224，224)，(104，117，123))
#模型推理
net.setInput(blob)
r=net.forward()
idxs=NP . arg sort(r[0])[:-1][:5]
#显示分类结果
路径='。/model/synset_words.txt '
用open(path，' rt ')作为f:
classes=[x[x . find(' ')1:]for x in f]
对于enumerate(idxs)中的(I，idx):
#在图像上显示结果
如果i==0:
text='Label: {}，{:2f}% '。格式(类[idx]，
r[0][idx] * 100)
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)
结论：其实有了模型，推理的步骤并不复杂，难点在于前处理和后处理。往往图像处理出现错误，或者处理结果出现问题，都会导致结果不一致，需要特别注意；
Python OpenCV机器学习的图像识别这篇文章到此为止。有关OpenCV图像识别的更多信息，请搜索我们以前的文章或继续浏览下面的相关文章。希望你以后能支持我们！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。