图像处理与机器视觉
目录
1.图像处理与机器视觉的概念：
2.图像处理与机器视觉的区别与共同点：
3.机器视觉与深度学习的关系：
4.机器视觉在行业的应用：
总结
人脸识别并绘制代码
1.图像处理与机器视觉的概念：
图像处理：这是对图像进行的数字处理过程，主要目的是提取和改变图像的某些特征，或实现对图像的增强、修复和改变。图像处理涵盖了多个步骤，包括图像输入（将物理图像转换为数字信息）、图像预处理（提升后续处理效果）、图像特征提取（从图像中提取有意义的信息以便后续识别和分类）等。它利用技术如图像增强、滤波、降噪、边缘检测等来优化图像质量，使特征更突出，便于人类和计算机的分析。
机器视觉：这是利用计算机视觉技术实现自动识别、检测、测量等目标的过程。它涵盖了图像输入、图像处理、图像识别、图像分类、目标检测和目标追踪等多个环节。机器视觉通过模拟人类视觉过程，实现对视觉信息的处理、理解和决策，从而为人类和计算机提供有用的信息。
2.图像处理与机器视觉的区别与共同点：
区别：图像处理主要关注对图像本身的优化和改变，而机器视觉则更侧重于从图像中提取信息并进行理解、分析和决策。简言之，图像处理是机器视觉过程中的一个重要环节，但机器视觉涉及的范围更广，包括了对处理后的图像信息的进一步理解和应用。
共同点：两者都涉及图像的数字化处理和分析，都需要利用数学、信号处理和计算机技术等工具。此外，它们的最终目标都是为了提取有用的信息，帮助人类和计算机更好地理解和处理图像。
3.机器视觉与深度学习的关系：
深度学习是一种人工智能技术，它通过模仿人类大脑神经网络的结构和功能来进行模式识别和决策。在机器视觉中，深度学习可以用于特征提取、分类等任务，以提高算法的准确性和效率。例如，在人脸识别中，深度学习可以帮助提取人脸图像的特征并进行分类。
然而，虽然深度学习在机器视觉中有着重要的应用，但它并不是机器视觉的必要条件。机器视觉还可以使用其他算法和技术来实现视觉处理和理解。
4.机器视觉在行业的应用：
机器视觉在众多行业中都有广泛的应用，包括ADAS（高级驾驶辅助系统）、AGV（自动引导车）、安防、工业、消费等。例如，在工业领域，机器视觉可以用于自动检测产品质量，提高生产效率；在安防领域，它可以用于人脸识别、行为分析等任务，提高安全性。
资料来源方面，由于机器视觉是一个涉及多个领域的交叉学科，相关的学术文献、行业报告以及技术博客等都是了解和应用机器视觉的重要资源。此外，许多科技公司和研究机构也在积极推动机器视觉技术的发展和应用，他们的技术文档和产品案例也是很好的参考资料。
总结
综上所述，图像处理与机器视觉在概念、应用和技术上都有所区别，但它们又密切相关，共同构成了计算机视觉领域的重要组成部分。同时，深度学习为机器视觉提供了新的技术和方法，但并非其唯一或必要的解决方案。随着技术的不断发展，机器视觉将在更多行业中发挥重要作用，为人类生活带来更多便利和安全。
人脸识别并绘制代码
import face_recognition
import cv2
'''****************BEGIN****************'''
# 加载已知图片
known_image_c_path = "./step4/known_image/Caocao.jpg"
known_image_xy_path = "./step4/known_image/XunYu.jpg"
known_image_smy_path = "./step4/known_image/SiMayi.jpg"
known_image_zch_path = "./step4/known_image/ZhangChunhua.jpg"
known_image_cc = face_recognition.load_image_file(known_image_c_path)
known_image_xy = face_recognition.load_image_file(known_image_xy_path)
known_image_smy = face_recognition.load_image_file(known_image_smy_path)
known_image_zch = face_recognition.load_image_file(known_image_zch_path)
'''**************** END ****************'''
'''****************BEGIN****************'''
# 对图片进行编码，获取128维特征向量
caocao_encoding = face_recognition.face_encodings(known_image_cc)[0]
xy_encoding = face_recognition.face_encodings(known_image_xy)[0]
zys_encoding = face_recognition.face_encodings(known_image_smy)[0]
cyz_encoding = face_recognition.face_encodings(known_image_zch)[0]
'''**************** END ****************'''
'''****************BEGIN****************'''
# 存为数组以便之后识别
known_faces = [
caocao_encoding,
xy_encoding,
zys_encoding,
cyz_encoding
]
'''**************** END ****************'''
'''****************BEGIN****************'''
# 加载待识别图片
unknown_image_1_path = "./step4/unknown_image/Caocao.jpg"
unknown_image_2_path = "./step4/unknown_image/Cuple.jpg"
unknown_image_3_path = "./step4/unknown_image/ZhangChunhua.jpg"
unknown_image_4_path = "./step4/unknown_image/XunYu.jpg"
unknown_image_5_path = './step4/unknown_image/A.jpg'
unknown_image_1 = face_recognition.load_image_file(unknown_image_1_path)
unknown_image_2 = face_recognition.load_image_file(unknown_image_2_path)
unknown_image_3 = face_recognition.load_image_file(unknown_image_3_path)
unknown_image_4 = face_recognition.load_image_file(unknown_image_4_path)
unknown_image_5 = face_recognition.load_image_file(unknown_image_5_path)
'''**************** END ****************'''
'''****************BEGIN****************'''
# 存为数组以遍历识别
unknown_faces = [
unknown_image_1,
unknown_image_2,
unknown_image_3,
unknown_image_4,
unknown_image_5
]
'''**************** END ****************'''
# 初始化一些变量
face_locations = []
face_encodings = []
face_names = []
frame_number = 0
for frame in unknown_faces:
face_names = []
'''****************BEGIN****************'''
# 获取人脸区域位置
face_locations = face_recognition.face_locations(frame)
# 对图片进行编码，获取128维特征向量
face_encodings = face_recognition.face_encodings(frame, face_locations)
'''**************** END ****************'''
for face_encoding in face_encodings:
'''****************BEGIN****************'''
# 识别图片中人脸是否匹配已知图片
match = face_recognition.compare_faces(known_faces, face_encoding,tolerance=0.5)
'''**************** END ****************'''
'''****************BEGIN****************'''
name = None
if match[0]:
name = "Caocao"
elif match[1]:
name = "XunYu"
elif match[2]:
name = "SiMayi"
elif match[3]:
name = 'ZhangChunhua'
else:
name = 'Unknown'
'''**************** END ****************'''
face_names.append(name)
# 结果打上标签
for (top, right, bottom, left), name in zip(face_locations, face_names):
if not name:
continue
'''****************BEGIN****************'''
# 绘制脸部区域框
cv2.rectangle(frame, (left, top), (right, bottom),(0, 0, 255), 2)
# 在脸部区域下面绘制人名
cv2.rectangle(frame, (left, bottom - 25),
(right, bottom), (0, 0, 255), cv2.FILLED)
font = cv2.FONT_HERSHEY_DUPLEX
cv2.putText(frame, name, (left + 6, bottom - 6),
font, 0.5, (255, 255, 255), 1)
'''**************** END ****************'''
print(frame[left+6, bottom-6])
print(frame[left, bottom])
print(face_locations)
print(face_names)
# 保存图片
image_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
path = './step4/out/' + name + str(face_locations[0][0]) + '.jpg'
cv2.imwrite(path, image_rgb)
python
