06.案例:人脸检测（不是识别）

学习目标

1. 了解opencv进行人脸检测的流程
2. 了解Haar特征分类器的内容

---

1 理论

我们使用机器学习的方法完成人脸检测，首先需要大量的正样本图像（面部图像）和负样本图像（不含面部的图像）来训练分类器。我们需要从其中提取特征。下图中的 Haar 特征会被使用，就像我们的卷积核，每一个特征是一 个值，这个值等于黑色矩形中的像素值减去白色矩形中的像素值之和。

Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。

Haar特征可用于图像任意位置，大小也可以任意改变，所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化，使得很小的检测窗口含有非常多的矩形特征。

得到图像的特征后，训练一个决策树构建的adaboost级联决策器来识别是否为人脸。

2.代码

加载配置文件

OpenCV中自带已训练好的检测器，包括面部，眼睛，猫脸等，都保存在XML文件中，我们可以通过以下程序找到他们：

import cv2 as cv
# 打印Haar级联检测器目录
face_detector_path = cv.data.haarcascades 
print(f"人脸检测器路径: {face_detector_path}")#人脸检测器路径: C:\Users\luzhanshi\AppData\Roaming\Python\Python312\site-packages\cv2\data\

找到的文件如下所示：

# 列出所有可用检测器
import os
data_dir = os.path.dirname(face_detector_path)
print("可用检测器:", os.listdir(data_dir))

可用检测器: ['haarcascade_eye.xml', 'haarcascade_eye_tree_eyeglasses.xml', 'haarcascade_frontalcatface.xml', 'haarcascade_frontalcatface_extended.xml', 'haarcascade_frontalface_alt.xml', 'haarcascade_frontalface_alt2.xml', 'haarcascade_frontalface_alt_tree.xml', 'haarcascade_frontalface_default.xml', 'haarcascade_fullbody.xml', 'haarcascade_lefteye_2splits.xml', 'haarcascade_license_plate_rus_16stages.xml', 'haarcascade_lowerbody.xml', 'haarcascade_profileface.xml', 'haarcascade_righteye_2splits.xml', 'haarcascade_russian_plate_number.xml', 'haarcascade_smile.xml', 'haarcascade_upperbody.xml', '__init__.py', '__pycache__']

那我们就利用这些文件来识别人脸，眼睛等。检测流程如下：

1. 读取图片，并转换成灰度图

2. 实例化人脸和眼睛检测的分类器对象

   # 实例化级联分类器
   classifier =cv.CascadeClassifier( "haarcascade_frontalface_default.xml" ) 
   # 加载分类器
   classifier.load('haarcascade_frontalface_default.xml')

3. 进行人脸和眼睛的检测

   rect = classifier.detectMultiScale(gray, scaleFactor, minNeighbors, minSize,maxsize)

   参数：

   • Gray: 要进行检测的人脸图像
   • scaleFactor: 前后两次扫描中，搜索窗口的比例系数
   • minneighbors：目标至少被检测到minNeighbors次才会被认为是目标
   • minsize和maxsize: 目标的最小尺寸和最大尺寸

4. 将检测结果绘制出来就可以了。

图片人脸检测案例代码

主程序如下所示：

import cv2 as cv
import matplotlib.pyplot as plt
# 1.以灰度图的形式读取图片
img = cv.imread(r'D:\learn\000人工智能数据大全\黑马数据\OpenCV\image\yangzi.jpg')
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

# 2. 获取OpenCV安装路径下的分类器文件（关键修改）
opencv_data_dir = cv.data.haarcascades  # 获取OpenCV数据目录
face_cascade_path = os.path.join(opencv_data_dir, 'haarcascade_frontalface_default.xml')
eye_cascade_path = os.path.join(opencv_data_dir, 'haarcascade_eye.xml')
# 3. 实例化并加载分类器
face_cas = cv.CascadeClassifier(face_cascade_path)
eyes_cas = cv.CascadeClassifier(eye_cascade_path)

# 检查分类器是否成功加载
if face_cas.empty() or eyes_cas.empty():
    print("Error: 分类器加载失败！")
    if face_cas.empty():
        print(f"人脸分类器路径错误: {face_cascade_path}")
    if eyes_cas.empty():
        print(f"眼睛分类器路径错误: {eye_cascade_path}")
    exit()
# 3.调用识别人脸 
faceRects = face_cas.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32)) 
for faceRect in faceRects: 
    x, y, w, h = faceRect 
    # 框出人脸 
    cv.rectangle(img, (x, y), (x + h, y + w),(0,255,0), 3) 
    # 4.在识别出的人脸中进行眼睛的检测
    roi_color = img[y:y+h, x:x+w]
    roi_gray = gray[y:y+h, x:x+w]
    eyes = eyes_cas.detectMultiScale(roi_gray) 
    for (ex,ey,ew,eh) in eyes:
        cv.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
# 5. 检测结果的绘制
plt.figure(figsize=(8,6),dpi=100)
plt.imshow(img[:,:,::-1]),plt.title('检测结果')
plt.xticks([]), plt.yticks([])
plt.show()

结果：

视频人脸检测案例代码

我们也可在视频中对人脸进行检测：

import cv2 as cv
import matplotlib.pyplot as plt
# 1.读取视频
cap = cv.VideoCapture(r'D:\learn\000人工智能数据大全\黑马数据\OpenCV\image\siwacaqiang.mp4')
# 2.在每一帧数据中进行人脸识别
while(cap.isOpened()):
    ret, frame = cap.read()
    if ret==True:
        gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)
        # 2. 获取OpenCV安装路径下的分类器文件（关键修改）
        opencv_data_dir = cv.data.haarcascades  # 获取OpenCV数据目录
        face_cascade_path = os.path.join(opencv_data_dir, 'haarcascade_frontalface_default.xml')
        # 3. 实例化并加载分类器
        face_cas = cv.CascadeClassifier(face_cascade_path)

        # 4.调用识别人脸 
        faceRects = face_cas.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32)) 
        for faceRect in faceRects: 
            x, y, w, h = faceRect 
            # 框出人脸 
            cv.rectangle(frame, (x, y), (x + h, y + w),(0,255,0), 3) 
        cv.imshow("frame",frame)
        if cv.waitKey(1) & 0xFF == ord('q'):
            break
# 5. 释放资源
cap.release()  
cv.destroyAllWindows()

---

总结

opencv中人脸识别的流程是：

1. 读取图片，并转换成灰度图

2. 实例化人脸和眼睛检测的分类器对象

# 实例化级联分类器
classifier =cv.CascadeClassifier( "haarcascade_frontalface_default.xml" ) 
# 加载分类器
classifier.load('haarcascade_frontalface_default.xml')

1. 进行人脸和眼睛的检测

rect = classifier.detectMultiScale(gray, scaleFactor, minNeighbors, minSize,maxsize)

1. 将检测结果绘制出来就可以了。

我们也可以在视频中进行人脸识别