文章目录
- 一、数据和知识准备
-
- 1. 下载HAAR与LBP数据
- 2. opencv相关知识
- 二、python opencv实现人脸检测
-
- 1. 图像单人脸检测
- 2. 图像多人脸检测
- 3. 视频中人脸检测
- 4. 摄像头人脸检测
原文链接：https://cloud.tencent.com/developer/article/1931453
创作不易，未经作者允许，禁止转载，更勿做其他用途，违者必究。
一、数据和知识准备
1. 下载HAAR与LBP数据
人脸检测的常见步骤如下，如果想要将人脸准确地检测出来，需要通过建立人脸模型，获取准确区分人脸的分类器，这里我们使用网上公开的扩展包或已经训练好的分类器。
将 haarcascades 与 lbpcascades 里面的相关 xml 文件下载到本地，便于之后调用，辅助进行人脸检测。
下载地址：https://github.com/opencv/opencv/tree/master/data
2. opencv相关知识
- cv.CascadeClassifier()：是 OpenCV 中人脸检测的一个级联分类器，既可以使用 Haar 特征，也可以使用 LBP 特征。以 Haar 特征分类器为基础的对象检测技术是一种非常有效的技术，它是基于机器学习且使用大量的正负样本训练得到分类器。
- detectMultiScale函数：检测人脸算法，其参数如下： image：要检测的输入图像 scaleFactor：表示每次图像尺寸减小的比例 minNeighbors：表示每一个目标至少要被检测到多少次才算是真的人脸，因为周围的像素和不同的窗口大小都可能检测成人脸 minSize：表示目标的最小尺寸 maxSize：表示目标的最小尺寸
- Haar-like矩形特征：是用于物体检测的数字图像特征。这类矩形特征模板由两个或多个全等的黑白矩形相邻组合而成，而矩形特征值是白色矩形的灰度值的和减去黑色矩形的灰度值的和，矩形特征对一些简单的图形结构，如线段、边缘比较敏感。如果把这样的矩形放在一个非人脸区域，那么计算出的特征值应该和人脸特征值不一样，所以这些矩形就是为了把人脸特征量化，以区分人脸和非人脸。
- LBP：是一种特征提取方式，能提取出图像的局部的纹理特征，最开始的 LBP 算子是在 3X3 窗口中，取中心像素的像素值为阀值，与其周围八个像素点的像素值比较，若像素点的像素值大于阀值，则此像素点被标记为1，否则标记为0。这样就能得到一个八位二进制的码，转换为十进制即 LBP 码，于是得到了这个窗口的 LBP 值，用这个值来反映这个窗口内的纹理信息。LBPH是在原始 LBP 上的一个改进，在 opencv 支持下可以直接调用函数直接创建一个 LBPH 人脸识别的模型。 比如：cv2.face.LBPHFaceRecognizer_create()。
二、python opencv实现人脸检测
1. 图像单人脸检测
代码语言：javascript复制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()运行效果如下：
代码语言：javascript复制检测人脸信息如下：
[[ 61 53 110 110]]
Process finished with exit code 0
2. 图像多人脸检测
代码语言：javascript复制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()运行效果如下：
代码语言：javascript复制检测人脸信息如下：
[[329 157 49 49]
[ 88 156 44 44]
[157 158 54 54]
[240 159 50 50]
[ 86 370 68 68]
[ 79 254 54 54]
[339 250 58 58]
[155 254 59 59]
[251 247 59 59]
[199 371 80 80]
[308 370 69 69]]
Process finished with exit code 0
3. 视频中人脸检测
代码语言：javascript复制# -*- coding: UTF-8 -*-
"""
@Author ：叶庭云
@公众号 ：修炼Python
@CSDN ：https://yetingyun.blog.csdn.net/
"""
import cv2
# 加载视频
cap = cv2.VideoCapture('test.mp4')
# 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 = cv2.CascadeClassifier(r'./face_detection/haarcascades/haarcascade_frontalface_default.xml')
while True:
# 读取视频片段
ret, frame = cap.read()
if not ret: # 读完视频后falg返回False
break
frame = cv2.resize(frame, None, fx=0.5, fy=0.5)
# 灰度处理
gray = cv2.cvtColor(frame, cv2.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=8)
# 绘制矩形和圆形检测人脸
for x, y, w, h in face_zone:
cv2.rectangle(frame, pt1=(x, y), pt2=(x w, y h), color=[0, 0, 255], thickness=2)
cv2.circle(frame, center=(x w // 2, y h // 2), radius=w // 2, color=[0, 255, 0], thickness=2)
# 显示图片
cv2.imshow('video', frame)
# 设置退出键和展示频率
if ord('q') == cv2.waitKey(40):
break
# 释放资源
cv2.destroyAllWindows()
cap.release()截取新版倚天屠龙记某一集36:35到36:39的片段，简单实现实时检测人脸并显示，运行效果如下：
任何算法都不会 100% 识别准确，由于噪声、误差、算法、训练集等影响，某些时候也会出现一些错误识别。自己进行简单测试时也会发现，人物动作、视频中镜头切换过快、背景变化等因素，可能会造成对视频中人脸检测不准确。
4. 摄像头人脸检测
代码语言：javascript复制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，即可调用电脑的摄像头识别面对摄像头的人脸，正脸和静止状态检测人脸的效果好。
