本篇内容介绍如何使用opencv，scipy，tensorflow来实现计算机人脸检测。（用一点也是用 =.=）
先声明一下，本篇内容是在图片中的人脸检测，
调动计算机摄像头的人脸识别链接：
链接：https://blog.csdn.net/weixin_43582101/article/details/88913164
效果图：
（图片在百度图片搜索而来，如有侵权请联系我。）
先介绍一下要使用的模块：
SciPy模块。 安装方法 pip install scipy
SciPy是一款方便、易于使用、专为科学和工程设计的Python工具包.它包括统计,优化,整合,线性代数模块,傅里叶变换,信号和图像处理,常微分方程求解器等等.它用于有效计算Numpy矩阵，使Numpy和Scipy协同工作，高效解决问题。
模块名 | 功能 |
|---|---|
scipy.constants | 数学常量 |
scipy.integrate | 插值 |
scipy.misc | 数据输入输出 |
scipy.linalg | 线性代数 |
scipy.ndimage | N维图像 |
scipy.optimize | 优化算法 |
scipy.signal | 信号处理 |
scipy.sparse | 稀疏矩阵 |
scipy.spatial | 空间数据结构和算法 |
scipy.stats | 统计函数 |
还有一些我没有往上写，比如scipy.io，看起来有点多了，我们这里只使用scipy中的misc,跟scipy.io一样都是一种用于输入和输出的实用模块，以图像形式保存数组。因为我们需要对图像进行操作，并且需要使用数组对象来做运算，所以将数组直接保存为图像文件非常有用。
tensorflow。 安装方法 pip install tensorflow
这个先不介绍太多，简单说下。
tensorFlow 是目前世界上最受欢迎的开源机器学习框架。 是一种计算图模型，即用图的形式来表示运算过程的一种模型。Tensorflow程序一般分为图的构建和图的执行两个阶段。图的构建阶段也称为图的定义阶段，该过程会在图模型中定义所需的运算，每次运算的的结果以及原始的输入数据都可称为一个节点。
opencv。 安装方法 pip install opencv-python
装起来可能会有点麻烦，有一些版本兼容问题。安装详情可以看这，python3.6安装open-cv
opencv全称是 open source computer vision library （开源计算机视觉库）
OpenCV 使用 C/C 开发，同时也提供了 Python、Java、MATLAB 等其他语言的接口 OpenCV 是跨平台的，可以在 Windows、Linux、Mac OS、Android、iOS 等操作系统上运行。 OpenCV 的应用领域非常广泛，包括图像拼接、图像降噪、产品质检、人机交互、人脸识别、动作识别、动作跟踪、无人驾驶等。 OpenCV 还提供了机器学习模块，你可以使用正态贝叶斯、K最近邻、支持向量机、决策树、随机森林、人工神经网络等机器学习算法。
matplotlib。 安装方法 pip install matplotlib
这个应该很熟悉的，最python的绘图库，没啥多说的。下面开始分析代码。
代码解析：
我按照顺序从头到尾来分析这段代码
首先导入库：
代码语言：javascript复制from scipy import misc # pip install scipy
import tensorflow as tf # pip install tensorflow
from face_check import detect_face
import cv2 # pip install opencv-python
import matplotlib.pyplot as plt # pip install matplotlib设置默认值：
代码语言：javascript复制minsize = 20 # minimum size of face 最小尺寸
threshold = [ 0.6, 0.7, 0.7 ] # three steps's threshold 阈值
factor = 0.709 # scale factor 网格参数
print('Creating and loading')tf.Graph().as_default() 表示将这个类实例
tensorflow 里面已经存好了一张默认图，可以使用tf.get_default_graph() 来调用（显示这张默认纸），当你有多个线程就可以创造多个tf.Graph()，就是你可以有一个画图本，有很多张图纸，这时候就会有一个默认图的概念了。
代码语言：javascript复制with tf.Graph().as_default(): #将这个类实例，也就是新生成的图作为整个 tensorflow 运行环境的默认图
sess = tf.Session(config=tf.ConfigProto(log_device_placement=False))
with sess.as_default():
pnet, rnet, onet = detect_face.create_mtcnn(sess, None)detect_face函数之图像金字塔
人脸检测的函数是就是detect_face，这个就是人脸检测的核心的难点了。
这个文件是本地导入的，他和全部代码我在最后会补上githup的链接。
检测人脸，返回人脸框和五个关键点的坐标
detect_face在图像中它们返回包围框和点。创建一个扩展的因素金字塔检测图像
代码语言：javascript复制image_path = '1.jpg'
img = misc.imread(image_path) #读取图片
bounding_boxes, _ = detect_face.detect_face(img, minsize, pnet, rnet, onet, threshold, factor)
nrof_faces = bounding_boxes.shape[0] #人脸数目
print('找到人脸数目为：{}'.format(nrof_faces)) #返回检测结果
print(bounding_boxes) ##返回关键点的坐标通过上面获取的坐标来在我们的要绘制的图中进行数据标注。
astype(int) 变量类型转换
cv2.rectangle通过对角线来画矩形
cv2.resize图片缩放，参数输入是 宽×高×通道
代码语言：javascript复制crop_faces=[]
for face_position in bounding_boxes: #遍历一下
face_position=face_position.astype(int) #变量类型转换
print(face_position[0:4])
#通过对角线来画矩形
cv2.rectangle(img, (face_position[0], face_position[1]), (face_position[2], face_position[3]), (0, 255, 0), 2)
crop=img[face_position[1]:face_position[3],
face_position[0]:face_position[2],]
#cv2.resize图片缩放，参数输入是 宽×高×通道
crop = cv2.resize(crop, (96, 96), interpolation=cv2.INTER_CUBIC )
print(crop.shape) #查看矩阵结构
crop_faces.append(crop)
# plt.imshow(crop)
plt.show() #展示
plt.imshow(img) #显示图片
plt.show()代码从头到尾结束了。其中的from_check import detect_face贴不了
detect_face文件我已经上传到githup
链接：https://github.com/lixi5338619/face_check
