目前，我正在研究脸部分类所涉及的计算机视觉问题。 因为这通常意味着应用深度学习，所以在将图像注入神经网络之前需要特殊的预处理阶段。
为了提高我们模型的精度，这是一项非常重要的任务，可以通过以下简单的步骤完成。 本文提供了OpenCV。 这是一个高度优化的计算机视觉开源库，可用于c、java和Python。
这是一篇简短的文章，其中包含基本准则、示例和代码，可能需要应用于每个脸部的分类和问题识别。
请注意，本文中使用的所有静止图像均来自https://imgflip.com/memetemplates
图片载入
imread (使用函数加载图像，并指定文件的路径和模式。 第二个参数对于动态执行基本通道和深度变换很重要。mode :3359 docs.opencv.org/4.1.0/D4/da8/group _ img codecs.html # g a61 d9b 0126 a 3e 57 d 9277 AC 4832799 c 80 IMM
要查看图像，请使用imshow (有函数。
cv2.imshow(img ) ) ) ) ) ) ) )。
如果写为类型(img )，则可以看到大小为) height、weight、channels )。
我们的彩色图像有三个通道：蓝色、绿色和红色(在OpenCV中按此顺序)。
可以轻松显示一个通道。
# Example for green channel
img[:0]； img[:2]； cv2.imshow(img ) ) ) ) ) ) ) )。
灰度版本
为了在脸部图像分类中不分心，使用黑白图像是个好主意(两者都试试)。 要获得灰度版本，只需在图像加载函数中指定它，然后将相应的值作为第二个参数传递给：即可img=cv2.imread('path/image.jpg '，cv2.IMREAD_GRAYSCALE ) )。
现在，我们的图像有另一条通道！
人脸和眼睛检测
在处理人脸分类问题时，我们可能想做个人脸检测验证(，裁剪我们的图像拉直。 使用基于OpenCV中包含的Haar特性的级联分类器进行对象检测。 (https://docs.opencv.org/2.4/modules/obj detect/doc/cascade _ class ification.html )首先，选择预先训练好的脸部和眼睛检测分类器。 有可用XML文件的列表。 可以使用此列表：
3359 github.com/opencv/opencv/tree/master/data/Haar cascades1)对于面部检测，opencv提供以下(从最松散的先验到最严格的先验) :
Haar cascade _ frontal face _ default.xmlhaarcascade _ frontal face _ alt.xmlhaaarcascade _ frontal face _ alt2. xmlharara
Haar cascade _ eye.xmlhaarcascade _ eye _ tree _ eye gasses.XML以此方法加载预训练的分类器。
face _ cascade=cv2.cascade classifier (cv2.data.Haar cascades‘Haar cascade _ frontal face _ default.XML’)
eyes _ cascade=cv2.cascade classifier (cv2.data.Haar cascades‘Haar cascade _ eye.XML’) )
你能行
以测试几种组合。记住，在所有情况下，它们中没有一个是最优的（如果第一个分类器失败，你可以尝试第二个分类器，或者甚至尝试所有分类器）。对于人脸检测，我们使用以下代码：
faces_detected = face_cascade.detectMultiScale(img, scaleFactor=1.1, minNeighbors=5)结果是一个数组，包含所有检测到的人脸。我们可以很容易地画出矩形：
(x, y, w, h) = faces_detected[0] cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 1); cv2.imshow(img)对于眼睛，我们以类似的方式进行搜索，但将搜索范围缩小到面部矩形：
eyes = eyes_cascade.detectMultiScale(img[y:y+h, x:x+w]) for (ex, ey, ew, eh) in eyes: cv2.rectangle(img, (x+ex, y+ey), (x+ex+ew, y+ey+eh), (255, 255, 255), 1)成啦！
虽然这是预期的结果，但我们会遇到很多其他方面的问题。很多时候，我们没有正面和清晰的人的脸，甚至……
没有眼睛：
眼睛是被白色包围的黑色污点：
此处有4只眼，仅检测到3只眼：
拉直脸部
通过计算两只眼睛之间的角度，我们可以拉直脸部图像（这很容易）。计算后，我们仅需两个步骤即可旋转图像：
rows, cols = img.shape[:2] M = cv2.getRotationMatrix2D((cols/2, rows/2), <angle>, 1) img_rotated = cv2.warpAffine(face_orig, M, (cols,rows))裁剪脸部
为了帮助我们的神经网络完成面部分类任务，最好去掉背景、衣服或配饰等外部干扰信息。在这种情况下，裁剪脸部是一个很好的选择。
我们需要做的第一件事是从拉直的图像中再次得到人脸矩形。然后我们需要做一个决定：我们可以按原样裁剪矩形区域，或者添加一个额外的填充，这样我们可以获得更多的空间。
这取决于要解决的具体问题（按年龄、性别、种族等分类）；也许你想要更多的头发；也许不需要。
最后，裁剪（p表示填充）：
cv2.imwrite('crop.jpg', img_rotated[y-p+1:y+h+p, x-p+1:x+w+p])看！这张脸是孤立的，几乎可以进行深度学习了
图像缩放
神经网络需要所有的输入图像具有相同的形状和大小，因为GPU在同一时间对一批图像应用相同的指令，以达到超级快的速度。我们可以动态地调整它们的大小，但这可能不是一个好主意，因为在训练期间将对每个文件执行多个转换。
因此，如果我们的数据集有很多图像，我们应该考虑在训练阶段之前实现批量调整大小的过程。
在OpenCV中，我们可以使用resize()函数执行向下缩放和向上缩放，有几种可用的插值方法。指定最终尺寸的例子:
cv2.resize(img, (<width>, <height>), interpolation=cv2.INTER_LINEAR)为了缩小图像，OpenCV建议使用INTER_AREA插值，而要放大图像，可以使用INTER_CUBIC（慢）或INTER_LINEAR（快，效果仍然不错）。
最后是质量和时间之间的权衡。
我做了一个快速的升级比较:
前两幅图像的质量似乎更高（但你可以观察到一些压缩伪像）。
线性方法的结果明显更平滑并且噪点更少。
最后一个是像素化的。
归一化
我们可以使用normalize()函数应用视觉归一化，以修复非常暗/亮的图片（甚至可以修复低对比度）。
该归一化类型（https://docs.opencv.org/3.4/d2/de8/group__core__array.html#gad12cefbcb5291cf958a85b4b67b6149f） 在函数参数中指定：
norm_img = np.zeros((300, 300)) norm_img = cv2.normalize(img, norm_img, 0, 255, cv2.NORM_MINMAX)例子：
当使用图像作为深度卷积神经网络的输入时，不需要应用这种归一化。
在实践中，我们将对每个通道进行适当的归一化，比如减去平均值，然后除以像素级的标准差（因此我们得到平均值0和偏差1）。如果我们使用迁移学习，最好的方法总是使用预先训练的模型统计数据。
结论
在处理人脸分类/识别问题时，如果输入的图像不是护照图片，则检测和分离出人脸是一项常见的任务。
OpenCV是一个很好的图像预处理库，但不仅仅如此。它也是一个强大的工具，为许多计算机视觉应用…
来看文档吧！
https://docs.opencv.org/master/