Библиотека OpenCV для Python: возможности компьютерного зрения

Расширенные примеры применения OpenCV

Детекция лиц с помощью каскадов Хаара

Пример показывает, как найти лица на изображении и обвести их рамками.

import cv2

# Загрузка предобученного каскада для лиц
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# Чтение изображения
img = cv2.imread('group.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Обнаружение лиц
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30,30))

# Рисование прямоугольников
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

# Показ результата
cv2.imshow('Detected Faces', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

(изображение с синими прямоугольниками вокруг лиц)

Параметры detectMultiScale: scaleFactor - шаг изменения масштаба (1.1 означает уменьшение на 10%), minNeighbors - минимальное количество соседних прямоугольников, подтверждающих лицо, minSize - минимальный размер лица в пикселях. Более низкий scaleFactor увеличивает точность, но замедляет работу.

Перспективное преобразование для выпрямления документа

Используя функции cv2.getPerspectiveTransform и cv2.warpPerspective, можно исправить искажения. Подходит для сканирования бумаг с фото.

import cv2
import numpy as np

img = cv2.imread('document.jpg')
# Исходные координаты четырех углов документа (порядок: левый верх, правый верх, правый низ, левый низ)
pts_src = np.float32([[141, 131], [480, 159], [493, 630], [64, 601]])
# Целевые координаты - прямоугольник в том же размере
height, width = img.shape[:2]
pts_dst = np.float32([[0, 0], [width-1, 0], [width-1, height-1], [0, height-1]])
# Вычисление матрицы преобразования
matrix = cv2.getPerspectiveTransform(pts_src, pts_dst)
# Применение преобразования
warped = cv2.warpPerspective(img, matrix, (width, height))

cv2.imshow('Warped', warped)
cv2.waitKey(0)

(выпрямленное изображение документа)

Для автоматического нахождения углов документа можно использовать findContours и аппроксимацию контура. Типичная ошибка - неправильный порядок точек; они должны соответствовать углам документа.

Сопоставление шаблонов (Template Matching)

Метод позволяет найти фрагмент изображения (шаблон) на большом изображении.

import cv2

img = cv2.imread('scene.jpg', 0)  # серое изображение
template = cv2.imread('template.jpg', 0)
w, h = template.shape[::-1]

# Сопоставление с помощью корреляции
result = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)

# Если метод TM_CCOEFF_NORMED, максимум - лучшее совпадение
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
cv2.rectangle(img, top_left, bottom_right, 255, 2)

cv2.imshow('Detected', img)
cv2.waitKey(0)

(серое изображение с белым прямоугольником вокруг найденного шаблона)

Выбор метода (TM_CCOEFF_NORMED, TM_CCORR_NORMED, TM_SQDIFF_NORMED) влияет на результат. При TM_SQDIFF_NORMED минимум соответствует лучшему совпадению. Проблемы: шаблон должен быть точно такого же масштаба и ориентации; для устойчивости к поворотам используют feature matching (SIFT, ORB).