全广告网站站长工具app官方下载

一、人脸检测流程介绍

• 下面是一张含有多个人脸的图片
  
  • 第一步：读取图片后将图片转换成灰度图
  • 第二步：在灰度图中进行特征检测，并检测出各个人脸的特征信息
  • 第三步：将各个人脸的特征信息保存下来
  • 第四部：根据检测出的人脸的特征信息，在原图中用矩形框，框出每个人的脸部区域
• 最终的结果如下：
  

二、用于人脸检测的关键方法

1.加载分类器（cv2.CascadeClassifier()）

• 在OpenCV库中，提供了多个用于检测人脸的Haar特征的级联分类器，并以xml文件的形式存储，这些文件是预训练的，意味着它已经被训练好了，可以直接用于检测图像中的人脸
• 下面链接中是对人脸检测的Haar特征和级联分类器的介绍：
  • https://blog.csdn.net/weixin_73504499/article/details/142883884?spm=1001.2014.3001.5501
• 如何找到这些xml文件呢？
  • 这些 xml文件存在我们pycharm的环境中，通过下图中的步骤找到：
    
• 找到这些文件后通过 cv2.CascadeClassifier（） 加载分类器
  • cv2.CascadeClassifier 是 OpenCV 库中用于加载和训练级联分类器的一个类

2.检测图像中的人脸（cv2.CascadeClassifier.detectMultiscale()）

• 在OpenCV中，cv2.CascadeClassifier 类有一个非常重要的方法叫做 detectMultiScale()，这个方法专门用于在图像中检测对象。detectMultiScale() 方法会搜索图像中所有可能匹配预训练分类器（如Haar或LBP特征分类器）的对象，并返回这些对象的位置（通常以矩形框的形式）。

• 下面是 detectMultiScale() 方法的一些关键参数和它们的含义：

  • image：要搜索的输入图像，通常是一个灰度图像（因为颜色信息对于Haar特征来说不是必需的，而且灰度图像处理起来更快）。
  • scaleFactor：图像缩放的比例因子。在检测过程中，图像会按照这个比例因子逐步缩小，以便在不同的尺度上搜索对象。例如，scaleFactor=1.05 意味着每次迭代图像都会缩小5%。
  • minNeighbors：每个候选矩形框需要有多少个相邻的矩形框来保留该框。这个参数有助于消除错误的检测。例如，如果设置为3，那么只有当至少有3个矩形框重叠时，该框才会被保留。
  • flags：一些可选的标志，用于修改检测过程的行为。例如，cv2.CASCADE_SCALE_IMAGE 会告诉分类器在检测之前自动缩放图像（但通常这个标志是默认启用的，所以不需要显式设置）。
  • minSize 和 maxSize：对象的最小和最大可能尺寸（以像素为单位）。这些参数可以帮助减少不必要的搜索区域，并加快检测速度。
  • 返回值：detectMultiScale() 方法返回一个矩形框的列表（每个框都是一个 (x, y, w, h) 元组，其中 (x, y) 是矩形左上角的坐标，w 和 h 分别是矩形的宽度和高度）

三、代码实现

• 完整代码如下：

  import cv2""" 加载图片，并将图片转换为灰度图 """
  image = cv2.imread('face.png')
  gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)""" 加载分类器 """
  # 'haarcascade_frontalface_default.xml' 用于检测正面人脸的Haar特征的级联分类器
  faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')""" 使用分类器对人脸进行检测 """
  faces = faceCascade.detectMultiScale(gray, scaleFactor=1.05, minNeighbors=9, minSize=(8, 8))
  print("发现{}张人脸".format(len(faces)))
  print("其位置分别是：", faces)""" 遍历每一个人脸的特征，并用矩形框将人脸部位框出 """
  for (x, y, w, h) in faces:cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)""" 显示结果 """
  cv2.imshow("result", image)
  cv2.waitKey(0)
  cv2.destroyAllWindows()
  

• 结果如下：