openFrameworks使用ofxOpencv进行肤色检测

简介: openFrameworks使用ofxOpencv进行肤色检测

由于ofxOpencv里的ofxCVColorImage是RGB格式的,没想到调用getCvImage()函数得到的IplImage居然也是RGB格式,结果害得我一开始肤色检测的结果十分诡异。。。作者也够懒的,这么简单居然也不做个转换!

这个就是调换RB通道的代码:

void testApp::cvRGB_or_BGR(IplImage* src_image, IplImage* dst_image)
{
  if (src_image != NULL && dst_image != NULL)
  {
    uchar* src_data=(uchar *)src_image->imageData;
    uchar* dst_data=(uchar *)dst_image->imageData;
    int step = src_image->widthStep/sizeof(uchar);
    int channels = src_image->nChannels;
    //uchar *b,*g,*r;
    for(int i=0;i<src_image->height;i++)
    {
      for(int j=0;j<src_image->width;j++)
      {
        dst_data[i*step+j*channels + 2] = src_data[i*step+j*channels + 0];  // b
        dst_data[i*step+j*channels + 1] = src_data[i*step+j*channels + 1];  // g
        dst_data[i*step+j*channels] = src_data[i*step+j*channels + 2];    // r
      }
    }
  }
  //cvShowImage("RGB", dst_image);  // debug
}

以下是在网上找到的opencv基于c的肤色检测代码:

void testApp::cvSkinSegment(IplImage* img, IplImage* mask)  // mask是单通道的
{
  CvSize imageSize = cvSize(img->width, img->height);
  IplImage *imgY = cvCreateImage(imageSize, IPL_DEPTH_8U, 1);
  IplImage *imgCr = cvCreateImage(imageSize, IPL_DEPTH_8U, 1);
  IplImage *imgCb = cvCreateImage(imageSize, IPL_DEPTH_8U, 1);
  IplImage *imgYCrCb = cvCreateImage(imageSize, img->depth, img->nChannels);
  cvCvtColor(img,imgYCrCb,CV_BGR2YCrCb);
  //cvShowImage("img", img);      // debug
  //cvShowImage("YCrCb", imgYCrCb); // debug
  cvSplit(imgYCrCb, imgY, imgCr, imgCb, 0);
  int y, cr, cb, l, x1, y1, value;
  unsigned char *pY, *pCr, *pCb, *pMask;
  pY = (unsigned char *)imgY->imageData;
  pCr = (unsigned char *)imgCr->imageData;
  pCb = (unsigned char *)imgCb->imageData;
  pMask = (unsigned char *)mask->imageData;
  cvSetZero(mask);
  l = img->height * img->width;
  for (int i = 0; i < l; i++)
  {
    y  = *pY;
    cr = *pCr;
    cb = *pCb;
    cb -= 109;
    cr -= 152
      ;
    x1 = (819*cr-614*cb)/32 + 51;
    y1 = (819*cr+614*cb)/32 + 77;
    x1 = x1*41/1024;
    y1 = y1*73/1024;
    value = x1*x1+y1*y1;
    if(y<100) 
      (*pMask)=(value<700) ? 255:0;
    else    
      (*pMask)=(value<850)? 255:0;
    pY++;
    pCr++;
    pCb++;
    pMask++;
  }
  //cvShowImage("mask", mask);  // debug
  cvReleaseImage(&imgY);
  cvReleaseImage(&imgCr);
  cvReleaseImage(&imgCb);
  cvReleaseImage(&imgYCrCb);
  //return mask;
}

我移植的基于c++的肤色检测代码:

void testApp::cvSkinSegment(cv::Mat img, cv::Mat mask)  // mask是单通道的
{
  cv::Size imageSize = img.size();
  cv::Mat imgY, imgCr, imgCb;
  cv::Mat imgYCrCb = cv::Mat(imageSize, CV_8UC3);
  vector<cv::Mat> imgVec;
  cvtColor(img,imgYCrCb,CV_BGR2YCrCb);
  split(imgYCrCb, imgVec);
  imgY = imgVec[0];
  imgCr = imgVec[1];
  imgCb = imgVec[2];
  int y, cr, cb, x1, y1, value;
  uchar *pY, *pCr, *pCb, *pMask;
  mask.zeros(mask.size(), mask.type());
  int nRows = img.rows;
  int nCols = img.cols;
  for (int i = 0; i < nRows; i++)
  {
    pY = imgY.ptr<uchar>(i);
    pCr = imgCr.ptr<uchar>(i);
    pCb = imgCb.ptr<uchar>(i);
    pMask = mask.ptr<uchar>(i);
    for (int j = 0; j<nCols; j++)
    {
      y  = pY[j];
      cr = pCr[j];
      cb = pCb[j];
      cb -= 109;
      cr -= 152;
      x1 = (819*cr - 614*cb)/32 + 51;
      y1 = (819*cr + 614*cb)/32 + 77;
      x1 = x1 * 41/1024;
      y1 = y1 * 73/1024;
      value = x1*x1 + y1*y1;
      if(y<100) 
        (pMask[j])=(value<700) ? 255:0;
      else    
        (pMask[j])=(value<850)? 255:0;
    }
  }
}

其原理请移步这里

目录
相关文章
|
15天前
|
存储 人工智能 弹性计算
阿里云弹性计算_加速计算专场精华概览 | 2024云栖大会回顾
2024年9月19-21日,2024云栖大会在杭州云栖小镇举行,阿里云智能集团资深技术专家、异构计算产品技术负责人王超等多位产品、技术专家,共同带来了题为《AI Infra的前沿技术与应用实践》的专场session。本次专场重点介绍了阿里云AI Infra 产品架构与技术能力,及用户如何使用阿里云灵骏产品进行AI大模型开发、训练和应用。围绕当下大模型训练和推理的技术难点,专家们分享了如何在阿里云上实现稳定、高效、经济的大模型训练,并通过多个客户案例展示了云上大模型训练的显著优势。
|
19天前
|
存储 人工智能 调度
阿里云吴结生:高性能计算持续创新,响应数据+AI时代的多元化负载需求
在数字化转型的大潮中,每家公司都在积极探索如何利用数据驱动业务增长,而AI技术的快速发展更是加速了这一进程。
|
10天前
|
并行计算 前端开发 物联网
全网首发!真·从0到1!万字长文带你入门Qwen2.5-Coder——介绍、体验、本地部署及简单微调
2024年11月12日,阿里云通义大模型团队正式开源通义千问代码模型全系列,包括6款Qwen2.5-Coder模型,每个规模包含Base和Instruct两个版本。其中32B尺寸的旗舰代码模型在多项基准评测中取得开源最佳成绩,成为全球最强开源代码模型,多项关键能力超越GPT-4o。Qwen2.5-Coder具备强大、多样和实用等优点,通过持续训练,结合源代码、文本代码混合数据及合成数据,显著提升了代码生成、推理和修复等核心任务的性能。此外,该模型还支持多种编程语言,并在人类偏好对齐方面表现出色。本文为周周的奇妙编程原创,阿里云社区首发,未经同意不得转载。
|
23天前
|
缓存 监控 Linux
Python 实时获取Linux服务器信息
Python 实时获取Linux服务器信息
|
9天前
|
人工智能 自然语言处理 前端开发
什么?!通义千问也可以在线开发应用了?!
阿里巴巴推出的通义千问,是一个超大规模语言模型,旨在高效处理信息和生成创意内容。它不仅能在创意文案、办公助理、学习助手等领域提供丰富交互体验,还支持定制化解决方案。近日,通义千问推出代码模式,基于Qwen2.5-Coder模型,用户即使不懂编程也能用自然语言生成应用,如个人简历、2048小游戏等。该模式通过预置模板和灵活的自定义选项,极大简化了应用开发过程,助力用户快速实现创意。
|
5天前
|
云安全 存储 弹性计算
|
7天前
|
云安全 人工智能 自然语言处理
|
5天前
|
人工智能 C++ iOS开发
ollama + qwen2.5-coder + VS Code + Continue 实现本地AI 辅助写代码
本文介绍在Apple M4 MacOS环境下搭建Ollama和qwen2.5-coder模型的过程。首先通过官网或Brew安装Ollama,然后下载qwen2.5-coder模型,可通过终端命令`ollama run qwen2.5-coder`启动模型进行测试。最后,在VS Code中安装Continue插件,并配置qwen2.5-coder模型用于代码开发辅助。
395 4
|
5天前
|
缓存 Linux Docker
【最新版正确姿势】Docker安装教程(简单几步即可完成)
之前的老版本Docker安装教程已经发生了变化,本文分享了Docker最新版安装教程,其他操作系统版本也可以参考官 方的其他安装版本文档。
【最新版正确姿势】Docker安装教程(简单几步即可完成)
|
11天前
|
人工智能 自然语言处理 前端开发
用通义灵码,从 0 开始打造一个完整APP,无需编程经验就可以完成
通义灵码携手科技博主@玺哥超carry 打造全网第一个完整的、面向普通人的自然语言编程教程。完全使用 AI,再配合简单易懂的方法,只要你会打字,就能真正做出一个完整的应用。本教程完全免费,而且为大家准备了 100 个降噪蓝牙耳机,送给前 100 个完成的粉丝。获奖的方式非常简单,只要你跟着教程完成第一课的内容就能获得。