一、数据和知识准备1. 下载HAAR与LBP数据人脸检测的常用步骤如下。如果你想要准确的检测人脸，你需要建立一个人脸模型来获得能够准确识别人脸的分类器。这里我们使用开放的在线扩展包或训练好的分类器。 下载haarcascades和lbpcascades之间的相关XML文件到本地，方便后续调用，以协助人脸检测。 下载地址:https://github.com/opencv/opencv/tree/master/data 2. opencv相关知识级联分类器():opencv中用于人脸检测的级联分类器，可以使用Haar特征和LBP特征。基于Haar特征分类器的目标检测技术是一种非常有效的技术。它基于机器学习，使用大量的正样本和负样本来训练分类器。 检测多尺度函数:人脸检测算法，其参数如下: 图像:要检测的输入图像 缩放系数:表示每幅图像缩小的比例 Minneighbors:表示每个目标需要检测多少次才能被认为是真正的人脸，因为周围的像素和不同的窗口大小可以检测成人的人脸 Minsize:目标的最小大小 Maxsize:目标的最小大小 哈尔样矩形特征:用于目标检测的数字图像特征。这种矩形特征模板是由两个或两个以上相等的黑白矩形组成，矩形特征值是白色矩形的灰度值减去黑色矩形的灰度值之和。矩形特征对一些简单的图形结构敏感，如线段和边。如果将这些矩形放置在非人脸区域，则计算出的特征值与人脸特征值不相同，因此用这些矩形对人脸特征进行量化，以区分人脸和非人脸。 LBP:是一种特征提取方法，可以提取图像的局部纹理特征。第一个LBP算子在3x3窗口中，以中心像素的像素值作为阈值，并与周围8个像素的像素值进行比较。如果像素值大于阈值，则将像素标记为1，否则标记为0。这样我们可以得到一个8位的二进制代码，它被转换成十进制的LBP代码，这样我们就可以得到这个窗口的LBP值，并用这个值来反映这个窗口的纹理信息。Lbph是对原来的LBP的改进。在OpenCV的支持下，可以直接调用函数来创建lbph人脸识别模型。 例如:cv2.face。lbphfacerecognizer_ create()。 二、python+opencv实现人脸检测1. 图像单人脸检测
import cv2 as cv
def face_detection(image):
# 创建一个级联分类器 加载一个.xml分类器文件 它既可以是Haar特征也可以是LBP特征的分类器
face_detecter = cv.CascadeClassifier(r'./face_detection/haarcascades/haarcascade_frontalface_default.xml')
# 多个尺度空间进行人脸检测 返回检测到的人脸区域坐标信息
faces = face_detecter.detectMultiScale(image=image, scaleFactor=1.1, minNeighbors=5)
print('检测人脸信息如下：\n', faces)
for x, y, w, h in faces:
# 在原图像上绘制矩形标识
cv.rectangle(img=image, pt1=(x, y), pt2=(x+w, y+h), color=(0, 0, 255), thickness=2)
cv.imshow('result', image)
src = cv.imread(r'./test/036.jpg')
cv.imshow('input image', src)
face_detection(src)
cv.waitKey(0)
cv.destroyAllWindows()
2. 图像多人脸检测
import cv2 as cv
def face_detection(image):
# 转成灰度图像
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
# 创建一个级联分类器 加载一个.xml分类器文件 它既可以是Haar特征也可以是LBP特征的分类器
face_detecter = cv.CascadeClassifier(r'./face_detection/haarcascades/haarcascade_frontalface_default.xml')
# 多个尺度空间进行人脸检测 返回检测到的人脸区域坐标信息
faces = face_detecter.detectMultiScale(image=gray, scaleFactor=1.1, minNeighbors=5)
print('检测人脸信息如下：\n', faces)
for x, y, w, h in faces:
# 在原图像上绘制矩形标识
cv.rectangle(img=image, pt1=(x, y), pt2=(x+w, y+h), color=(0, 0, 255), thickness=2)
cv.imshow('result', image)
src = cv.imread(r'./test/044.jpg')
cv.imshow('input image', src)
face_detection(src)
cv.waitKey(0)
cv.destroyAllWindows()
任何算法都不是100%准确的。由于噪声、误差、算法、训练集等因素的影响，有时会出现一些错误的识别。当你做一个简单的测试时，你会发现人的动作，视频中镜头切换过快，背景变化等因素都可能导致视频中的人脸检测不准确 4. 摄像头人脸检测
import cv2 as cv
# 识别电脑摄像头并打开
cap = cv.VideoCapture(0, cv.CAP_DSHOW)
# 创建一个级联分类器 加载一个.xml分类器文件 它既可以是Haar特征也可以是LBP特征的分类器
face_detect = cv.CascadeClassifier(r'./face_detection/haarcascades/haarcascade_frontalface_default.xml')
while True:
# 读取视频片段
flag, frame = cap.read()
frame = cv.flip(frame, 1)
if not flag: # 读完视频后falg返回False
break
# 灰度处理
gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)
# 多个尺度空间进行人脸检测 返回检测到的人脸区域坐标信息
face_zone = face_detect.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)
# 绘制矩形和圆形检测人脸
for x, y, w, h in face_zone:
cv.rectangle(frame, pt1=(x, y), pt2=(x + w, y + h), color=[0, 0, 255], thickness=2)
cv.circle(frame, center=(x + w // 2, y + h // 2), radius=w // 2, color=[0, 255, 0], thickness=2)
# 显示图片
cv.imshow('video', frame)
# 设置退出键q 展示频率
if ord('q') == cv.waitKey(30):
break
# 释放资源
cv.destroyAllWindows()
cap.release()
程序运行后，可以调用计算机的摄像头来识别摄像头的人脸，人脸和静态状态的人脸检测效果很好。 | 
