介紹

 1 mage：輸入的圖像，必須是灰度圖，因為Haar特征是基于灰度的。
 2 scaleFactor：（可選）在圖像尺寸減小的比例，即每次圖像尺寸減小的比例。默認值為1.1，表示每次窗口尺寸減少10%。調整這個參數可以平衡檢測的精度和速度：較小的scaleFactor值能夠提高檢測的細致程度，但會增加計算負擔；而較大的值則可以減少計算量，加快處理速度，但可能會降低檢測的準確性，從而錯過一些較小或較遠的目標。
 3 minNeighbors：（可選）構成檢測目標的相鄰矩形的最小個數。默認值為3，意味著有3個以上的檢測標記存在時，才認為人臉存在。這個參數有助于減少誤檢，即非目標對象被錯誤地識別為目標的情況。設置一個較高的minNeighbors值可以更嚴格地篩選出真正的目標，從而減少誤檢，但同時也有可能將一些真正的目標遺漏，因為它們可能沒有足夠的鄰近矩形滿足條件。
 4 flags：（可選）這個參數通常被省略，flags參數用于定義檢測模式，在使用低版本OpenCV時，它可能會被設置為cv2.CASCADE_SCALE_IMAGE，表示在多尺度檢測時調整圖像尺寸。它可以是以下幾個值的組合：
 5 CASCADE_DO_ROUGH_SEARCH：快速搜索模式。
 6 CASCADE_FIND_BIGGEST_OBJECT：只檢測最大的目標。
 7 CASCADE_SCALE_IMAGE：使用縮放圖像進行檢測（默認值）。
 8 minSize：（可選）目標的最小尺寸，小于這個尺寸的目標將被忽略。默認為(0, 0)，表示沒有限制。
 9 maxSize：（可選）目標的最大尺寸，大于這個尺寸的目標將被忽略。默認為(0, 0)，表示沒有限制。
10  返回值：
11 
12 rects：一個矩形列表，其中每個矩形包含檢測到的對象的坐標和尺寸，格式為(x, y, w, h)。
13 levels：每個檢測到的對象的金字塔層級。
14 scores：每個檢測到的對象的置信度分數。
15 ————————————————
16 
17                           

 1 import cv2
 2 import numpy as np
 3 
 4 
 5 def image_read_from_chinese_path(image_file_name):
 6     image_numpy_data = cv2.imdecode(np.fromfile(image_file_name, dtype=np.uint8),
 7                                     -1)  # np.fromfile 讀取圖像文件，將其轉換為 NumPy 數組
 8     return image_numpy_data
 9 
10 
11 # 級聯分類器路徑（訓練器文件）
12 face_cascade = cv2.CascadeClassifier(
13     r'C:\Users\19225\PycharmProjects\test\src\user\static\haarcascade_frontalcatface.xml')  # 人臉檢測的 Haar 級聯分類器XML 文件路徑
14 eye_cascade = cv2.CascadeClassifier(
15     r'C:\Users\19225\PycharmProjects\test\src\user\static\haarcascade_eye_tree_eyeglasses.xml')
16 
17 # 讀取圖像
18 img = image_read_from_chinese_path(r'C:\Users\19225\PycharmProjects\test\src\user\static\R.jpg')
19 
20 if img is None:
21     print("Image not loaded correctly.")
22 else:
23     gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 轉為灰度圖
24 
25     # 使用人臉檢測器 face_cascade，在灰度圖像中檢測人臉
26     # scaleFactor：每次圖像尺寸減少的比例，越小越快，檢測效果越好
27     # minNeighbors：最少需要檢測到多少個鄰居，才能確定是人臉，值越大，檢測精度越高
28     # minSize：檢測到的對象的最小尺寸，單位為像素
29     faces = face_cascade.detectMultiScale(gray, scaleFactor=1.05, minNeighbors=3, minSize=(30, 30),
30                                           flags=cv2.CASCADE_SCALE_IMAGE)
31 
32     for (x, y, w, h) in faces:
33         img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
34 
35         roi_gray = gray[y: y + h, x: x + w]
36         roi_color = img[y: y + h, x: x + w]
37 
38         # 檢測眼睛
39         eyes = eye_cascade.detectMultiScale(roi_gray, scaleFactor=1.1, minNeighbors=5, minSize=(15, 15))
40 
41         # 進行非極大值抑制
42         eyes = np.array(eyes)
43         if len(eyes) > 0:
44             boxes = []
45             for (ex, ey, ew, eh) in eyes:
46                 boxes.append((ex, ey, ew, eh))
47 
48             # 自定義合并重疊的框
49             boxes = np.array(boxes)
50             indices = cv2.dnn.NMSBoxes(boxes.tolist(), [1] * len(boxes), score_threshold=0.5, nms_threshold=0.4)
51 
52             for i in indices:
53                 i = i[0]  # 如果是二維數組取第一個元素
54                 ex, ey, ew, eh = boxes[i]
55 
56                 # 防止繪制重復的眼睛
57                 cv2.rectangle(roi_color, (ex, ey), (ex + ew, ey + eh), (0, 0, 255), 2)
58         print(f'Detected {len(eyes)} eyes in face')
59     print(f'Detected {len(faces)} faces')
60 
61     label = f'OpenCV Haar Detected {str(len(faces))} faces'
62     cv2.putText(img, label, (10, 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 1)
63 
64     cv2.imshow('img', img)
65     cv2.waitKey(0)
66     cv2.destroyAllWindows()

 1 # 導入所需庫
 2 import cv2
 3 import numpy as np
 4 
 5 # 讀取輸入圖像
 6 img = cv2.imread(r"C:\Users\19225\PycharmProjects\test\src\user\static\car.jpg")
 7 
 8 # 將輸入圖像轉換為灰度圖像
 9 gray = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
10 
11 # 讀取檢測車牌的haarcascade
12 cascade = cv2.CascadeClassifier(
13     r'C:\Users\19225\PycharmProjects\test\src\user\static\haarcascade_russian_plate_number.xml')
14 
15 # 檢測車牌號碼
16 plates = cascade.detectMultiScale(gray, 1.2, 5)
17 print('Number of detected license plates:', len(plates))
18 
19 # 循環遍歷所有車牌
20 for (x, y, w, h) in plates:
21     # 在車牌周圍繪制邊界矩形
22     cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
23     gray_plates = gray[y:y + h, x:x + w]
24     color_plates = img[y:y + h, x:x + w]
25 
26     # 保存檢測到的車牌
27     cv2.imwrite('Numberplate.jpg', gray_plates)
28     cv2.imshow('Number Plate', gray_plates)
29     cv2.imshow('Number Plate Image', img)
30     cv2.waitKey(0)
31 cv2.destroyAllWindows()

 1 haarcascade_eye.xml
 2 
 3 是一個用于眼睛檢測的Haar特征分類器模型，它是OpenCV庫中用于目標檢測任務的預訓練級聯分類器之一。這個XML文件包含了用于檢測圖像或視頻中眼睛的模型參數。通過使用這個XML文件，可以快速實現人眼的自動檢測功能。(我覺得檢測不準確)
 4 
 5 -------------------------------------------------------------------
 6 haarcascade_eye_tree_eyeglasses.xml
 7 
 8 是OpenCV中用于眼睛檢測的Haar Cascades分類器，特別適用于同時檢測眼睛和眼鏡。這個XML文件包含了訓練好的模型參數，能夠識別圖像中的眼睛，即使眼睛上戴著眼鏡也不會影響檢測效果。
 9 
10 ------------------------------------------------------------------
11 haarcascade_frontalcatface.xml
12 
13 是 OpenCV 中用于貓臉檢測的 Haar Cascades 分類器。這個 XML 文件包含了訓練好的模型參數，專門用于識別圖像中貓的面部特征。如果你正在開發一個應用程序，需要識別和處理貓的圖像，這個分類器可以非常有用。
14 
15 -----------------------------------------------------------------
16 
17 haarcascade_frontalcatface_extended.xml
18 
19 是 OpenCV 中用于貓臉檢測的擴展版 Haar Cascades 分類器。與基本的 haarcascade_frontalcatface.xml 相比，這個擴展模型可能經過了更多的訓練，以提高在不同條件下貓臉檢測的準確性和魯棒性。它專門用于識別圖像中貓的面部特征，尤其適用于更復雜或更具挑戰性的場景。
20 
21 ————————————————
22 haarcascade_frontalface_alt.xml
23 
24 是 OpenCV 中用于人臉檢測的 Haar Cascades 分類器之一。它是一個預訓練的模型，專門設計來識別圖像中的人臉。與 OpenCV 中的默認人臉檢測模型 haarcascade_frontalface_default.xml 相比，haarcascade_frontalface_alt.xml 通常在檢測率上有所提升，但可能會犧牲一些誤檢率。
25 
26 ————————————————
27 haarcascade_frontalface_alt.xml
28 
29 是 OpenCV 中用于人臉檢測的 Haar Cascades 分類器之一。它是一個預訓練的模型，專門設計來識別圖像中的人臉。與 OpenCV 中的默認人臉檢測模型 haarcascade_frontalface_default.xml 相比，haarcascade_frontalface_alt.xml 通常在檢測率上有所提升，但可能會犧牲一些誤檢率。
30 
31 ————————————————
32 haarcascade_frontalface_alt_tree.xml
33 
34 是 OpenCV 中用于人臉檢測的另一種 Haar Cascades 分類器。這個分類器模型采用了基于樹的分類器結構，它通過組合多個級聯分類器來提高檢測的準確性，特別是在復雜場景下。然而，這種基于樹的方法可能會增加計算時間，因為它需要評估多個分類器。
35 
36 ---------------------------------------------------------------------------
37 haarcascade_frontalface_alt2.xml
38 
39 這個分類器是 haarcascade_frontalface_alt.xml 的改進版本，旨在保持較高的檢測率的同時，盡可能減少誤檢測。它可能在平衡檢測率和誤檢率方面提供了更好的性能。
40 
41 --------------------------------------------------------------------------
42 haarcascade_frontalface_default.xml
43                         
44 是一個用于OpenCV庫的XML文件，它包含了一個預先訓練好的Haar特征分類器，用于人臉檢測。這個分類器可以識別圖像中的人臉，是計算機視覺領域中常用的工具之一。如果你需要使用這個文件進行人臉檢測，通常你需要將它加載到OpenCV程序中，然后使用它來處理圖像數據。
45 
46 
47 -------------------------------------------------------------
48 haarcascade_fullbody.xml
49 
50 包含了一個預先訓練好的Haar特征分類器，專門用于全身人體檢測。這個分類器可以識別圖像或視頻中的整個人體，是計算機視覺領域中用于人體分析的常用工具之一。
51 
52 ------------------------------------------
53 haarcascade_lefteye_2splits.xml
54 
55 是OpenCV中用于目標檢測任務的級聯分類器模型文件之一，專門用于檢測圖像或視頻中的左眼 。這個XML文件包含了一個預先訓練好的Haar特征分類器，可以識別和定位左眼的位置。
56 
57 -------------------------------------------
58 haarcascade_license_plate_rus_16stages.xml
59 
60 是OpenCV中用于目標檢測任務的級聯分類器模型文件，專門用于檢測俄羅斯車牌。這個XML文件包含了一個預先訓練好的Haar特征分類器，可以識別和定位車牌的位置。
61 
62 ---------------------------------------------
63 haarcascade_lowerbody.xml
64 
65 是OpenCV中用于目標檢測任務的級聯分類器模型文件，專門用于檢測圖像或視頻中的下半身人體，例如腿部。這個XML文件包含了一個預先訓練好的Haar特征分類器，可以識別和定位下半身人體的位置。
66 
67 -----------------------------------------------
68 haarcascade_profileface.xml
69 
70 是OpenCV中用于目標檢測任務的級聯分類器模型文件，專門用于檢測圖像或視頻中的側臉。這個XML文件包含了一個預先訓練好的Haar特征分類器，可以識別和定位側臉的位置。
71 
72 
73 ---------------------------------------
74 haarcascade_righteye_2splits.xml
75 
76 是OpenCV中用于目標檢測任務的級聯分類器模型文件，專門用于檢測圖像或視頻中的右眼。這個XML文件包含了一個預先訓練好的Haar特征分類器，可以識別和定位右眼的位置。這種分類器通常用于面部識別、情緒分析、用戶界面和安全系統等應用中。
77 
78 ---------------------------------------
79 haarcascade_russian_plate_number.xml
80 
81 是一個用于OpenCV的XML文件，它包含了一個預先訓練好的Haar特征分類器，專門用于檢測俄羅斯車牌號碼。這個分類器可以識別圖像或視頻中的車牌，并在檢測到的車牌區域繪制矩形標記。
82 
83 ----------------------------------
84 haarcascade_smile.xml
85 
86 是OpenCV中用于目標檢測任務的級聯分類器模型文件，專門用于檢測圖像或視頻中的微笑。這個XML文件包含了一個預先訓練好的Haar特征分類器，可以識別和定位人臉上微笑的表情。
87 
88 ----------------------------------
89 haarcascade_upperbody.xml
90 
91 是OpenCV中用于目標檢測任務的級聯分類器模型文件，專門用于檢測圖像或視頻中的上半身人體，例如頭部和肩部。這個XML文件包含了一個預先訓練好的Haar特征分類器，可以識別和定位上半身人體的位置。