OpenCV训练模型的AI人脸检测

通过对博文：《OpenCv视觉之眼》Python图像处理十八:Opencv图像处理实战三之基于OpenCV训练模型的AI人脸检测内容的复现（链接：https://blog.csdn.net/qq_42451251/article/details/108096629），对实现的过程进行重新梳理、记录。方便大家尝试实现，也方便自己查阅。

目录

一、OpenCV人脸检测基础介绍

1、运行环境介绍

2、OpenCV人脸检测模型介绍

2、cv2.CascadeClassifier分类器函数介绍

3、detectMultiScale()人脸检测算法介绍

4、cv2.rectangle()绘制矩形人脸框

5、cv2.circle()绘制圆圈人脸框

二、OpenCV人脸检测

1、OpenCV实现人脸检测步骤

2、图像人脸检测完整代码

---

一、OpenCV人脸检测基础介绍

下面讲解到的函数都是我们通过OpenCV实现人脸检测将要用到的函数，接下来将会对每个函数的作用及功能进行讲解，最终实现对图片人脸的检测！

1、运行环境介绍

 

• windows7 X64
• Python版本：python-3.8.3（pip更新为21.0.1版本）   提示：尽量用较新的版本，搭建环境的成功率更高。
• opencv-python版本：opencv-python-4.5.1.48
• 辅助图表显示matplotlib版本：matplotlib 3.3.4
• IDE环境：jupyter-notebook

可参考博文：https://blog.csdn.net/qq_42451251/article/details/107706794

 

 

2、OpenCV人脸检测模型介绍

1）、OpenCV人脸检测模型即haarcascade_frontalface_default.xml模型文件，该模型是OpenCV官方训练好的人脸正脸检测模型，是OpenCV正面人脸检测级联分类器训练结果，在通过OpenCV对图像中的人脸键检测时，我们必须要用到该模型，至于该模型的训练，本次博客将暂时不做讲解，后面会讲到该模型是如何通过OpenCV分类器进行训练的
2）、本次博客的图像人脸检测利用cv2.CascadeClassifier级联分类器的haarcascade_frontalface_default.xml进行正脸人脸预测，我们可以看到介绍，是专注于正脸检测，因此，该模型的缺点就是只能对人脸正脸进行检测，优点是人脸正脸检测速度快，准确率高
3）、haarcascade_frontalface_default.xml模型位置
haarcascade_frontalface_default.xml模型在下载opencv-python的时候，会自动下载该模型，我们只需要找到python的安装路径，在安装路径下找到pip下载的库存放的位置，就可以找到该模型，如下：

2、cv2.CascadeClassifier分类器函数介绍

1）、函数原型:result=cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)

haarcascade_frontalface_default.xml：OpenCV官方正脸人脸检测模型
2）、该函数是OpenCV中人脸检测的一个级联分类器，既可以使用Haar，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。

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

3、detectMultiScale()人脸检测算法介绍

1）、函数原型：result1=result.detectMultiScale(image,scaleFactor,minNeighbors,minSize,minSize)

result：联级分类器得到的结果
image：需要键人脸检测的图像
result1：检测到的人脸目标序列
scaleFactor：图像尺寸减小的比例
minNeighbors：每一个目标至少要被检测的次数，知道检测到这么多次才算是真的目标，因为周围的像素和不同的窗口大小都可以检测到人脸
minSize：目标的最小尺寸(选填)
minSize：目标的最大尺寸(选填)
detectMultiScale()是检测人脸算法，通过该函数实现OpenCV对图像中正人脸的检测

4、cv2.rectangle()绘制矩形人脸框

函数原型： cv2.rectangle(image, start_point, end_point, color, thickness)

image：需要进行矩形框绘制的图像
start_point：矩形的起始坐标。坐标表示为两个值的元组，即(X坐标值，Y坐标值)
end_point：矩形的结束坐标。坐标表示为两个值的元组，即(X坐标值，Y坐标值)。
color：绘制的矩形的边界线的颜色。对于BGR，我们通过一个元组。例如：(255，0，0)为蓝色
thickness：矩形边框线的粗细像素。厚度-1像素将以指定的颜色填充矩形形状
通过该函数对检测出来的人脸进行标注，标注的方式为方框。下面将会讲到另一种标注方式(圆圈)这两种标注方式选择其中一种就OK，有关更多的OpenCV图像绘图函数，请参考如下博客连接：python-opencv绘图函数

5、cv2.circle()绘制圆圈人脸框

函数原型：cv2.circle(img,center,radius,color,thickness)

img：需要进行圆圈绘制的图像
center：圆心,即(X坐标值，Y坐标值)
radius：半径
color：绘制的圆圈的边界线的颜色。对于BGR，我们通过一个元组。例如：(255，0，0)为蓝色
thickness：矩形边框线的粗细像素。厚度-1像素将以指定的颜色填充矩形形状
该函数为圆圈标注函数，在图像中通过圆圈的方式在原图像上绘制出检测出来的人脸，同样的，按照自己的需求与方框绘制函数进行选择
 

二、OpenCV人脸检测

在进行人脸检测的开始，我们需要注意的是，人脸检测与人脸识别是有区别的，人间检测只是将图像中的人检测出来，然后将人脸进行标注；而人脸识别除了需要将图像中的人脸检测出来，还需要识别出该图像中对应的人脸是谁，同时也标注出来，这是区别，本次博客主要讲解人脸检测，对于人脸识别将在后面博客章节进行讲解，记得关注订阅哦！

1、OpenCV实现人脸检测步骤

1）、导入OpenCV函数库并读取人脸图像及显示查看

#导入函数库
import cv2
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
# 读取原始图像
img = cv2.imread("D:/test1.jpg",1)

#显示图像方法1
cv2.imshow("test",img)

#显示图像方法2
#BGR转换为RGB显示格式
img1= cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
plt.imshow(img1)
#等待键值关闭
#cv2.waitKey(0) 

2）、构建联级分类器

#构建联级分类器
face_detect = cv2.CascadeClassifier("C:/Programs/Python/Python3/CPython/x64/Python38/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml")

注意联级分类器中模型的在python路径中的位置

3）、通过联级分类器的结果进行人脸检测，设置至少检测5次才算检测人脸成功

# 检查人脸 按照1.1倍放到 周围最小像素为5
face = face_detect.detectMultiScale(img, scaleFactor=1.1, minNeighbors=5)

检测到的结果face包括检测到人脸的宽和高，人脸的起始位置，以图像左上角为起点,向右为x,向左为y

4）、将检测到的人脸绘制到原图，方框或者圆圈二选一

OpenCV的图像格式都是[B、G、R]格式的，也就是[蓝、绿、红]，在进行矩形或者圆框设置的时候请注意

for x, y, w, h in face:
    # 绘制绿色矩形人脸区域 thickness表示线的粗细
    cv2.rectangle(img, pt1=(x, y), pt2=(x+w, y+h),color=[0,255,0], thickness=2)
    # 绘制红色圆形人脸区域 radius表示半径
    #cv2.circle(img, center=(x+w//2, y+h//2), radius=w//2, color=[0,255,0], thickness=2)

5）、显示检测出来的人脸

# 显示图片
cv2.imshow("faceDetection", img)
# 等待显示 设置任意键退出程序
cv2.waitKey(0)

2、图像人脸检测完整代码

1）、OpenCV图像人脸检测完整代码

###################################
#####   OpenCV图像人脸检测    #####
###################################
#导入函数库
import cv2
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文

# 读取原始图像
img = cv2.imread("D:/test1.jpg",1)

#显示图像
cv2.imshow("test",img)
#BGR转换为RGB显示格式
#img1= cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#plt.imshow(img1)

#构建联级分类器
face_detect = cv2.CascadeClassifier("C:/Programs/Python/Python3/CPython/x64/Python38/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml")
# 检查人脸 按照1.1倍放到 周围最小像素为5
face = face_detect.detectMultiScale(img, scaleFactor=1.1, minNeighbors=5)
for x, y, w, h in face:
    # 绘制绿色矩形人脸区域 thickness表示线的粗细
    cv2.rectangle(img, pt1=(x, y), pt2=(x+w, y+h),color=[0,255,0], thickness=2)
    # 绘制红色圆形人脸区域 radius表示半径
    #cv2.circle(img, center=(x+w//2, y+h//2), radius=w//2, color=[0,255,0], thickness=2)
# 显示图片
cv2.imshow("faceDetection", img)
# 等待显示 设置任意键退出程序
cv2.waitKey(0)

2）、检测结果

• 单人检测结果

 

• 多人检测结果

3）、在博客开始的时候说到，haarcascade_frontalface_default.xml模型针对的是正脸的检测，对侧脸测试效果较差，感兴趣的可以自己测试一下。

3、视频人脸检测完整代码
1）、视频人脸检测完整代码

###################################
#####   OpenCV视频人脸检测    #####
###################################
#导入函数库
import cv2
import numpy as np
# 加载视频
video_path ="D:/video2.mp4"
cap = cv2.VideoCapture(video_path)
#构建联级分类器
face_detect = cv2.CascadeClassifier("C:/Programs/Python/Python3/CPython/x64/Python38/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml")
while True:
    # 读取视频片段
    flag, frame = cap.read()
    #判断视频是否读取完
    if flag == False:
        break
    # 对每一帧图像进行灰度处理
    gray = cv2.cvtColor(frame, code=cv2.COLOR_BGR2GRAY)
   # 检查人脸 按照1.1倍放到 周围最小像素为5
    face = face_detect.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=9)
    # 绘制矩形和圆形检测人脸
    for x, y, w, h in face:
        # 绘制绿色矩形人脸区域 thickness表示线的粗细
        cv2.rectangle(frame, pt1=(x, y), pt2=(x+w, y+h),color=[0,255,0], thickness=2)
        # 绘制红色圆形人脸区域 radius表示半径
        #cv2.circle(img, center=(x+w//2, y+h//2), radius=w//2, color=[0,255,0], thickness=2)
    # 显示图片
    cv2.imshow('video-faceDetection',frame)
    # 设置q退出键和展示频率
    if ord('q') == cv2.waitKey(2):
        break
# 释放窗口和摄像头

cv2.destroyAllWindows()
cap.release()

2）、视频人脸检测结果

4、摄像头人脸检测完整代码
摄像头人脸检测和视频人脸检测的代码基本一致，唯一区别就是将读取的视频改为读取笔记本默认摄像头，如下
1）、摄像头人脸检测完整代码

#######################################
#####   OpenCV摄像头视频人脸检测   #####
#######################################
#导入函数库
import cv2
import numpy as np
# 参数0为加载默认摄像头
cap = cv2.VideoCapture(0)
#构建联级分类器
face_detect = cv2.CascadeClassifier("C:/Programs/Python/Python3/CPython/x64/Python38/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml")
while True:
    # 读取视频片段
    flag, frame = cap.read()
    #判断视频是否读取完
    if flag == False:
        break
    # 对每一帧图像进行灰度处理
    gray = cv2.cvtColor(frame, code=cv2.COLOR_BGR2GRAY)
   # 检查人脸 按照1.1倍放到 周围最小像素为5
    face = 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:
        # 绘制绿色矩形人脸区域 thickness表示线的粗细
        cv2.rectangle(frame, pt1=(x, y), pt2=(x+w, y+h),color=[0,255,0], thickness=2)
        # 绘制红色圆形人脸区域 radius表示半径
        #cv2.circle(img, center=(x+w//2, y+h//2), radius=w//2, color=[0,255,0], thickness=2)
    # 显示图片
    cv2.imshow('video-faceDetection',frame)
    # 设置q退出键和展示频率
    if ord('q') == cv2.waitKey(2):
        break
# 释放窗口和摄像头
cv2.destroyAllWindows()
cap.release()