liuyuehui的专栏

在cmd中，输入pip install SomePackage，安装某一个版本的pip。在应用商店，输入python，下载安装。1,安装python。3,安装opencv。

【代码】Emgu调用摄像头。

null时，检测到人脸。在NuGet中，查找并安装EMgu。首先，声明几个重要的类。

HOG特征的全称是Histograms of Oriented Gradients，基于HOG特征的人脸识别算法主要包括HOG特征提取和目标检测，该算法的流程图如下图所示。本文主要讲HOG特征提取。

cv2.rectangle(img, pt1, pt2, color, thickness=None, lineType=None, shift=None):绘制矩形框图。# 参数1表示我们对图像进行向上采样1倍，这将使一切变的更大。# 输出第i张人脸矩形框的位置坐标，详情见下图1。# 检测阈值为负，将会返回更多的检测结果。# 检测阈值为正，将会返回较少的检测结果。# 下面这部分的功能是输出第i张人脸的得分。# img: 输入的图像。# 进而让我们检测出更多的人脸。# 输出检测出来的人脸个数。

AdaBoost算法中弱分类器可以是任何分类器，包括决策树，神经网络等等。弱分类器的分类正确率一般不需要太高，只需要比随机猜测稍好，超过50%即可。大部分文献及开源代码都选择了决策树作为弱分类器。

Haar特征是一种反映人脸灰度差异的矩形特征，因其与Haar小波类似而得名。Haar小波：定义其波形图为由图2.1可以看出，Haar小波可以看作二值分类问题，如同Haar矩阵特征非黑即白，故Haar矩阵特征又称为类Haar特征。

import cv2。

cap = cv2.VideoCapture('E:/Envs/opencvdemo/one/1.mp4') # 获取一个视频。(flag, frame) = cap.read() # 读取每一张。height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 获取高度。width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) # 获取宽度。fps = cap.get(cv2.CAP_PROP_FPS) # 帧率。

即每一个像素点都可以求出一个Hessian矩阵。（1）在生成尺度空间方面，SIFT算法利用的是差分高斯金字塔与不同层级的空间图像相互卷积生成。SURF算法采用的是不同尺度的box filters与原图像卷积（2）在特征点检验时，SIFT算子是先对图像进行非极大值抑制，再去除对比度较低的点。然后通过Hessian矩阵去除边缘的点。而SURF算法是先通过Hessian矩阵来检测候选特征点，然后再对非极大值的点进行抑制。

从OpenCV3 开始，SIFT之类的算法已经移除了release，转而放到了contrib的xfeatures里，所以在进行本章及其以后的编程时候，需要先卸载之前安装的Opencv-python版本（如果你是跟着我之前博客里面的话，就没必要卸载啦），然后运行pip install opencv-contrib-python==3.3.1.11。cv2.drawKeypoints(img, kp, img) # 根据关键点和描述画出关键点。d.根据关键点和描述画出关键点。TEXT 复制 全屏。

具有多个方向的关键点可以被复制成多份，然后将方向值分别赋给复制后的特征点，一个特征点就产生了多个坐标、尺度相等，但是方向不同的特征点。使用尺度空间（连续的尺度函数）在所有可能的尺度下对稳定的特性进行搜索，以实现对于图像的尺度变换具有不变性的位置探测的。通过对于特征点周围的像素进行分块，计算块内梯度直方图，生成具有独特性的向量，这个向量是该区域图像信息的一种抽象，具有唯一性。表示的是尺度，它的选取决定了尺度空间改图像的模糊程度，值越小，平滑程度越小，保留图像的细节信息越多；在直方图的峰值就是特征点的主方向。

0. 对于有些系统，函数waitKey() 可能返回一个多于正常 ASCII 按键码的位数的值，但是其最后8位于正常ASCII码一样，所以我们取后8位就行。2. key = cv2.waitKey(0): 延迟100毫秒，有按键则返回按键的ASCII，若不按键，程序一直等待。delay0时候，若在delay时间内无按键按下，则retval=-1，反之返回按键键码。第三章 对于图像的基础操作。

ps:如果您想跟着我的博客学习，建议直接在Anaconda虚拟环境下运行：pip install opencv-contrib-python==3.3.1.11。对于opencv-python的安装并不友好，前前后后大概捣鼓了2-3天，总结原因就是对于opencv-python不要用太新版的whl。（ps：如果想用SIFT,SURF等的，可以直接pip install opencv-contrib-python==3.3.1.11）1，运行速度与原始的c/c++一样快（本质是c/c++写的）

SIFT和SURF算法在进行特征点检测时需要建立尺度空间，基于局部图像的梯度直方图来计算描述子，整个算法的计算和数据存储复杂度比较高，不适用于处理实时性很强的图像。

代码清单⑦ 使用OpenCV实现图像旋转import cv2import numpy as npimg = cv2.imread('lena.jpg')rows, cols, _ = img.shape# 第一个参数为旋转中心，第二个为旋转角度，第三个为旋转后的缩放因子rotated_img = cv2.getRotationMatrix2D((cols/2,rows/2),45,0.4)cv2.imwrite('dst.jpg',dst)通过下面的例子，我们看一下OpenCV中图片的读取和存储方法。