使用 Python 与 OpenCV 的人脸检测

Haar 级联分类器简介

该方法最早由 Paul Viola 与 Michael Jones 在论文 Rapid Object Detection Using a Boosted Cascade of Simple Features 中提出。

其核心思想是使用一系列级联的分类器来检测图像中的不同特征，然后将这些分类器组合成一个强分类器，以准确区分包含人脸与不包含人脸的样本。

OpenCV 内置的 Haar 级联分类器已经基于大型人脸数据集完成训练，因此无需再做额外训练。我们只需从库中加载该分类器，并将其用于输入图像的人脸检测。

为 Python 安装 OpenCV

要安装 OpenCV 库，只需打开命令提示符或终端窗口并运行以下命令：

pip install opencv-python技术支持

该命令仅在您的设备已安装 pip 的情况下有效。若想进一步了解 pip 包管理器，您可以阅读我们的 PIP Python 教程。

在图像中使用 OpenCV 进行人脸检测

我们将基于 Unsplash 上的一张照片构建一个检测器来识别人脸。请先将图片保存到您的工作目录，并在编码前将其重命名为 input_image。

步骤 1：导入 OpenCV 包

现在，让我们导入 OpenCV，并通过以下代码输入图像路径：

import cv2

imagePath = 'input_image.jpg'技术支持

步骤 2：读取图像

接着，我们使用 OpenCV 的 imread() 函数读取图像：

img = cv2.imread(imagePath)技术支持

这将从指定的文件路径加载图像，并以 Numpy 数组的形式返回。

让我们打印该数组的维度：

img.shape技术支持

(4000, 2667, 3)技术支持

可以看到这是一个三维数组。数组的值分别表示图片的高度、宽度和通道数。由于这是彩色图像，使用了三个通道来表示——蓝、绿、红（BGR）。

请注意，尽管表示图像的常规顺序是 RGB（红、绿、蓝），但 OpenCV 使用相反的布局（蓝、绿、红）。

步骤 3：将图像转换为灰度

为提升计算效率，我们需要先将图像转换为灰度，再进行人脸检测：

gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)技术支持

现在我们来查看该灰度图像的维度：

gray_image.shape技术支持

(4000, 2667)技术支持

注意该数组只有两个值，因为灰度图像已不再包含第三个颜色通道。

步骤 4：加载分类器

让我们加载 OpenCV 内置的预训练 Haar 级联分类器：

face_classifier = cv2.CascadeClassifier(
    cv2.data.haarcascades + "haarcascade_frontalface_default.xml"
)技术支持

这里我们使用了名为 haarcascade_frontalface_default.xml 的文件。该分类器专门用于检测正面人脸。

OpenCV 还提供了其他预训练模型，用于检测图像中的不同目标——例如人的眼睛、笑容、上半身，甚至车辆的车牌。您可以通过查看该库的 GitHub 仓库了解更多内置分类器。

步骤 5：执行人脸检测

现在，我们可以使用刚加载的分类器对灰度图像执行人脸检测：

face = face_classifier.detectMultiScale(
    gray_image, scaleFactor=1.1, minNeighbors=5, minSize=(40, 40)
)技术支持

让我们拆解上述代码中涉及的方法与参数：

1. detectMultiScale()：

detectMultiScale() 方法用于识别输入图像中不同尺寸的人脸。

1. grey_image：

该方法的第一个参数是 grey_image，即我们先前创建的灰度图像。

1. scaleFactor：

该参数用于按比例缩小输入图像的尺寸，从而便于算法检测较大的脸部。在此我们指定了 1.1 的缩放因子，表示将图像尺寸缩小 10%。

1. minNeighbors：

级联分类器通过在图像中应用滑动窗口来检测人脸。您可以将这些窗口理解为矩形。

初始阶段，分类器会捕获大量误检（false positives）。通过 minNeighbors 参数可以过滤这些误检，该参数指定一个对象要被视为有效检测，所需的邻近矩形数量。

简而言之，将该参数设置为 0 或 1 等较小值会导致较多误检，而设置为较大数值则可能错失许多真正的正样本（true positives）。

关键在于寻求权衡：既能剔除误检，又能尽可能准确地识别真阳性。

1. minSize：

最后，minSize 参数用于设置待检测对象的最小尺寸。小于该尺寸的人脸将被模型忽略。

步骤 6：绘制边界框

既然模型已经检测出图像中的人脸，让我们运行以下代码在这些人脸周围绘制一个边界框：

for (x, y, w, h) in face:
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 4)技术支持

face 变量是一个包含四个值的数组：检测到人脸的 x、y 轴坐标以及其宽度和高度。上述代码会遍历所有识别出的人脸，并根据这些数值绘制边界框。

参数 0,255,0 表示边界框的颜色为绿色，4 表示线条粗细。

步骤 7：显示图像

为显示带有人脸检测结果的图像，我们需要先将图像从 BGR 格式转换为 RGB：

img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)技术支持

现在，使用 Matplotlib 库来显示图像：

import matplotlib.pyplot as plt



plt.figure(figsize=(20,10))
plt.imshow(img_rgb)
plt.axis('off')技术支持

上述代码应生成如下输出：

很好！

模型已成功检测出图中的人脸，并在其周围绘制了边界框。

使用 OpenCV 进行实时人脸检测

既然我们已经用 OpenCV 成功完成了静态图像的人脸检测，接下来看看如何在实时视频流中实现相同操作。

步骤 1：前置准备

首先，和上一节一样，导入 OpenCV 并加载 Haar 级联模型。若您已在前文运行过，可跳过此代码块：

import cv2

face_classifier = cv2.CascadeClassifier(
    cv2.data.haarcascades + "haarcascade_frontalface_default.xml"
)技术支持

步骤 2：访问摄像头

现在，我们需要访问设备的摄像头以读取实时视频流。可使用以下代码实现：

video_capture = cv2.VideoCapture(0)技术支持

注意我们向 VideoCapture() 传入了参数 0，这告诉 OpenCV 使用设备的默认摄像头。如果您的设备连接了多个摄像头，可以相应更改该参数的取值。

步骤 3：在视频流中识别人脸

现在，让我们创建一个函数来检测视频流中的人脸，并在其周围绘制边界框：

def detect_bounding_box(vid):
    gray_image = cv2.cvtColor(vid, cv2.COLOR_BGR2GRAY)
    faces = face_classifier.detectMultiScale(gray_image, 1.1, 5, minSize=(40, 40))
    for (x, y, w, h) in faces:
        cv2.rectangle(vid, (x, y), (x + w, y + h), (0, 255, 0), 4)
    return faces技术支持

detect_bounding_box 函数将视频帧作为输入。

在该函数中，我们沿用之前的代码，先将帧转换为灰度，再执行人脸检测。

随后，继续使用与此前相同的 scaleFactor、minNeighbors 与 minSize 参数来检测人脸。

最后，我们在帧上绘制一圈线宽为 4 的绿色边界框。

步骤 4：创建实时人脸检测循环

现在，我们需要创建一个无限循环，从摄像头捕获视频帧并对其应用人脸检测函数：

while True:

    result, video_frame = video_capture.read()  # read frames from the video
    if result is False:
        break  # terminate the loop if the frame is not read successfully

    faces = detect_bounding_box(
        video_frame
    )  # apply the function we created to the video frame

    cv2.imshow(
        "My Face Detection Project", video_frame
    )  # display the processed frame in a window named "My Face Detection Project"

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

video_capture.release()
cv2.destroyAllWindows()技术支持

运行上述代码后，您应能在屏幕上看到一个名为 My Face Detection Project 的窗口：

无论您在画面中如何移动，算法都应能跟踪您的脸部并在其周围绘制绿色边界框。

在上图中，模型既识别出了我的脸，也识别出了我手持的驾照照片上的人脸。

您还可以通过举起多张照片，或让不同的人在摄像头前以各种角度站立，来测试该模型的效果。模型应能在不同背景或光照条件下识别出所有人脸。

若要退出程序，您可以按下键盘上的“q”键以跳出循环。

结语

总之，OpenCV 是一个功能强大且灵活的计算机视觉库，提供了丰富的预训练模型与工具，可以简化诸如人脸检测等复杂任务。

无论是处理静态图像还是实时视频流，OpenCV 都为开发者提供了一个易于上手的入口，以构建高效且可扩展的解决方案。

掌握本教程涵盖的技巧，您将能够在项目中进一步探索更高级的计算机视觉应用。