一、人臉檢測流程介紹

• 下面是一張含有多個(gè)人臉的圖片
  
  • 第一步：讀取圖片后將圖片轉(zhuǎn)換成灰度圖
  • 第二步：在灰度圖中進(jìn)行特征檢測，并檢測出各個(gè)人臉的特征信息
  • 第三步：將各個(gè)人臉的特征信息保存下來
  • 第四部：根據(jù)檢測出的人臉的特征信息，在原圖中用矩形框，框出每個(gè)人的臉部區(qū)域
• 最終的結(jié)果如下：
  

二、用于人臉檢測的關(guān)鍵方法

1.加載分類器（cv2.CascadeClassifier()）

• 在OpenCV庫中，提供了多個(gè)用于檢測人臉的Haar特征的級聯(lián)分類器，并以xml文件的形式存儲，這些文件是預(yù)訓(xùn)練的，意味著它已經(jīng)被訓(xùn)練好了，可以直接用于檢測圖像中的人臉
• 下面鏈接中是對人臉檢測的Haar特征和級聯(lián)分類器的介紹：
  • https://blog.csdn.net/weixin_73504499/article/details/142883884?spm=1001.2014.3001.5501
• 如何找到這些xml文件呢？
  • 這些 xml文件存在我們pycharm的環(huán)境中，通過下圖中的步驟找到：
    
• 找到這些文件后通過 cv2.CascadeClassifier（） 加載分類器
  • cv2.CascadeClassifier 是 OpenCV 庫中用于加載和訓(xùn)練級聯(lián)分類器的一個(gè)類

2.檢測圖像中的人臉（cv2.CascadeClassifier.detectMultiscale()）

• 在OpenCV中，cv2.CascadeClassifier 類有一個(gè)非常重要的方法叫做 detectMultiScale()，這個(gè)方法專門用于在圖像中檢測對象。detectMultiScale() 方法會(huì)搜索圖像中所有可能匹配預(yù)訓(xùn)練分類器（如Haar或LBP特征分類器）的對象，并返回這些對象的位置（通常以矩形框的形式）。

• 下面是 detectMultiScale() 方法的一些關(guān)鍵參數(shù)和它們的含義：

  • image：要搜索的輸入圖像，通常是一個(gè)灰度圖像（因?yàn)轭伾畔τ贖aar特征來說不是必需的，而且灰度圖像處理起來更快）。
  • scaleFactor：圖像縮放的比例因子。在檢測過程中，圖像會(huì)按照這個(gè)比例因子逐步縮小，以便在不同的尺度上搜索對象。例如，scaleFactor=1.05 意味著每次迭代圖像都會(huì)縮小5%。
  • minNeighbors：每個(gè)候選矩形框需要有多少個(gè)相鄰的矩形框來保留該框。這個(gè)參數(shù)有助于消除錯(cuò)誤的檢測。例如，如果設(shè)置為3，那么只有當(dāng)至少有3個(gè)矩形框重疊時(shí)，該框才會(huì)被保留。
  • flags：一些可選的標(biāo)志，用于修改檢測過程的行為。例如，cv2.CASCADE_SCALE_IMAGE 會(huì)告訴分類器在檢測之前自動(dòng)縮放圖像（但通常這個(gè)標(biāo)志是默認(rèn)啟用的，所以不需要顯式設(shè)置）。
  • minSize 和 maxSize：對象的最小和最大可能尺寸（以像素為單位）。這些參數(shù)可以幫助減少不必要的搜索區(qū)域，并加快檢測速度。
  • 返回值：detectMultiScale() 方法返回一個(gè)矩形框的列表（每個(gè)框都是一個(gè) (x, y, w, h) 元組，其中 (x, y) 是矩形左上角的坐標(biāo)，w 和 h 分別是矩形的寬度和高度）

三、代碼實(shí)現(xiàn)

• 完整代碼如下：

  import cv2""" 加載圖片，并將圖片轉(zhuǎn)換為灰度圖 """
  image = cv2.imread('face.png')
  gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)""" 加載分類器 """
  # 'haarcascade_frontalface_default.xml' 用于檢測正面人臉的Haar特征的級聯(lián)分類器
  faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')""" 使用分類器對人臉進(jìn)行檢測 """
  faces = faceCascade.detectMultiScale(gray, scaleFactor=1.05, minNeighbors=9, minSize=(8, 8))
  print("發(fā)現(xiàn){}張人臉".format(len(faces)))
  print("其位置分別是：", faces)""" 遍歷每一個(gè)人臉的特征，并用矩形框?qū)⑷四槻课豢虺?"""
  for (x, y, w, h) in faces:cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)""" 顯示結(jié)果 """
  cv2.imshow("result", image)
  cv2.waitKey(0)
  cv2.destroyAllWindows()
  

• 結(jié)果如下：