小型人脸识别模型

这里主要是已经训练好的模型，并不是由我们自己进行训练。

我们在这里使用到了openCV和dlib两个软件包。

实现代码

import cv2
import dlib

# 加载 Dlib 的人脸检测器
detector = dlib.get_frontal_face_detector()

# 打开摄像头（默认摄像头，如果有多个摄像头可以修改参数）
cap = cv2.VideoCapture(0)

while True:
    # 读取一帧
    ret, frame = cap.read()

    # 将帧转换为灰度图
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 在帧中检测人脸
    faces = detector(gray)

    # 绘制矩形框标注检测到的人脸
    for face in faces:
        x, y, w, h = face.left(), face.top(), face.width(), face.height()
        cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)

    # 显示结果帧
    cv2.imshow('Detected Faces', frame)

    # 按 'q' 键退出循环
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头并关闭所有窗口
cap.release()
cv2.destroyAllWindows()

很短哈哈哈哈哈哈，所以其实效果也不是太好，但是很适合新手入门看一看，学一学

代码解释

（1）读取一帧

        在OpenCV中，cap.read() 是用于从视频捕获设备（比如摄像头）中读取一帧图像的方法。这个方法返回两个值：

1. ret（返回值）：一个布尔值，表示是否成功读取了一帧图像。如果成功读取，ret 为 True；如果没有读取到帧，ret 为 False。

2. frame：表示从视频流中读取到的图像帧。如果 ret 为 True，frame 就是包含当前图像的 NumPy 数组。

在下面的代码片段中：

ret, frame = cap.read()

  cap 是通过 cv2.VideoCapture() 打开的视频捕获对象。这一行代码实际上是尝试从摄像头中读取一帧图像，并将成功与否的结果存储在 ret 中，图像数据存储在 frame 中。接下来，你可以对 frame 进行处理或显示。

        通常，在视频捕获的循环中，会使用类似的结构来连续读取视频流中的帧，以便进行实时处理、显示或分析。

---

（2）转换为灰度图提升性能

        这行代码是将彩色图像（BGR格式）转换为灰度图像。在计算机视觉中，灰度图像是只包含亮度信息的图像，每个像素只有一个数值，表示灰度级别。

        具体来说，`cv2.cvtColor` 是 OpenCV 中的一个函数，用于进行颜色空间转换。在这里，它将彩色图像 `frame` 从BGR（蓝绿红）颜色空间转换为灰度颜色空间。

```python
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
```

- `frame`：彩色图像的NumPy数组。
- `cv2.COLOR_BGR2GRAY`：表示颜色转换的标志。它指示 `cv2.cvtColor` 将图像从BGR颜色空间转换为灰度颜色空间。

        在灰度图像中，每个像素只有一个灰度值，范围通常是0到255，其中0表示黑色，255表示白色。灰度图像通常用于简化图像处理任务，减少计算量，并且在一些任务中仍然保留了足够的信息。在人脸检测等任务中，通常使用灰度图像来提高算法的运行速度。

（3）检测灰度图中的人脸

        在这行代码中，`detector(gray)` 使用 Dlib 库中的人脸检测器来检测灰度图像中的人脸。具体来说，`detector` 是通过 `dlib.get_frontal_face_detector()` 获得的 Dlib 人脸检测器对象。

```python
faces = detector(gray)
```

- `gray`：灰度图像，通常是通过 `cv2.cvtColor` 转换得到的。
- `detector`：Dlib 的人脸检测器对象。

        `detector(gray)` 返回一个包含检测到的人脸位置信息的 Dlib rectangles 对象。这个对象包含了一个或多个矩形区域，每个矩形表示一个检测到的人脸的位置。

        在后续的代码中，通过遍历 `faces` 中的矩形，可以获取每个人脸的位置（左上角和右下角的坐标），然后可以在图像上绘制矩形框来标记检测到的人脸。例如：

```python
for face in faces:
    x, y, w, h = face.left(), face.top(), face.width(), face.height()
    cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)
```

这样就可以在图像中标记出检测到的人脸的位置。

（4）绘制人脸矩形

`cv2.rectangle` 是 OpenCV 中用于在图像上绘制矩形的函数。以下是它的一般形式：

```python
cv2.rectangle(image, start_point, end_point, color, thickness)
```

- `image`：要绘制矩形的图像。
- `start_point`：矩形的左上角坐标。
- `end_point`：矩形的右下角坐标。
- `color`：矩形的颜色，通常是一个三元组 (B, G, R)，表示蓝、绿、红通道的颜色值。
- `thickness`：矩形的边框厚度（如果为负值，表示填充矩形内部）。

```python
cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)
```

- `frame`：图像，这通常是摄像头捕获的图像。
- `(x, y)`：矩形左上角的坐标，这是人脸检测器返回的人脸位置矩形的左上角坐标。
- `(x+w, y+h)`：矩形右下角的坐标，这是人脸检测器返回的人脸位置矩形的右下角坐标。
- `(255, 0, 0)`：蓝色，表示绘制的矩形边框的颜色。
- `2`：矩形边框的厚度。

因此，这一行代码的作用是在图像上标记检测到的人脸位置，绘制一个蓝色的矩形框，边框宽度为2个像素。

但是记住了

在 OpenCV 中，颜色通常以 BGR 的顺序（蓝绿红）表示，与 RGB 不同。

（5）显示结果

`cv2.imshow` 是 OpenCV 中用于显示图像的函数。以下是它的一般形式：

```python
cv2.imshow(window_name, image)
```

- `window_name`：显示图像的窗口的名称。
- `image`：要显示的图像。

我们的代码中：

```python
cv2.imshow('Detected Faces', frame)
```

- `'Detected Faces'`：窗口的名称，可以自定义。
- `frame`：要显示的图像，通常是摄像头捕获的图像，经过人脸检测并标记后的结果。

这一行代码的作用是在名为 `'Detected Faces'` 的窗口中显示经过人脸检测并标记后的图像。这样，你就可以可视化地看到摄像头捕获的图像，并且在图像上标记了检测到的人脸的位置。

（6）程序退出

这部分代码是用于等待用户按下键盘上的 'q' 键来退出程序的逻辑。解释如下：

- `cv2.waitKey(1)`：等待键盘输入，参数表示等待时间（单位为毫秒）。如果设为 0，则表示持续等待用户输入。如果设为 1，则表示等待 1 毫秒。

- `& 0xFF`：这是为了兼容不同操作系统上键盘输入的处理。在某些系统上，`cv2.waitKey()` 的返回值包含更多信息，而使用 `& 0xFF` 可以获取最低的8位（一个字节）。

- `== ord('q')`：检查用户输入的键是否是 'q'。`ord()` 函数返回字符的 ASCII 值。

如果用户按下 'q' 键，上述条件就为真，循环就会被中断，程序退出。

这是一种简单的方法来实现通过按 'q' 键来退出图像显示或视频播放等循环的操作。

（7）最后释放资源

        在使用 OpenCV 处理摄像头捕获或显示图像时，`cap.release()` 和 `cv2.destroyAllWindows()` 这两行是用于释放资源的重要步骤。如果不执行这些步骤，可能会导致程序在退出时没有正确释放摄像头资源或关闭图像窗口。

具体解释如下：

- `cap.release()`：释放通过 `cv2.VideoCapture` 打开的摄像头。这是为了确保在程序退出时释放摄像头资源，以便其他应用程序可以使用它。

- `cv2.destroyAllWindows()`：关闭所有通过 OpenCV 创建的窗口。如果你使用了 `cv2.imshow` 显示图像，这是确保在程序退出时关闭图像窗口的方法。如果没有调用这个函数，可能会导致程序退出后图像窗口仍然保持打开状态。

        虽然在一些简单的程序中，可能会省略这两行而不出现问题，但最好在程序中明确地释放资源，以确保程序运行的健壮性。

结束了但是我还有活

如果你的CPU多线程很厉害的话可以采用多线程运行

import cv2
import dlib
import time
import threading

# 加载 Dlib 的人脸检测器
detector = dlib.get_frontal_face_detector()

# 打开摄像头（默认摄像头，如果有多个摄像头可以修改参数）
cap = cv2.VideoCapture(0)

# 计算帧率的变量
start_time = time.time()
frame_count = 0
update_interval = 0.1  # 更新帧率的时间间隔（秒）

# 帧率的全局变量
fps = 0

# 锁，用于确保线程安全
lock = threading.Lock()

# 函数：人脸检测
def face_detection(frame):
    global fps, frame_count, start_time
    # 将帧转换为灰度图
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 在帧中检测人脸
    faces = detector(gray)

    # 绘制矩形框标注检测到的人脸
    for face in faces:
        x, y, w, h = face.left(), face.top(), face.width(), face.height()
        cv2.rectangle(frame, (x, y), (x + w, y + h), (238, 238, 0), 1)

    # 计算帧率
    with lock:
        frame_count += 1
        elapsed_time = time.time() - start_time
        if elapsed_time >= update_interval:
            fps = frame_count / elapsed_time
            frame_count = 0
            start_time = time.time()

# 函数：显示帧率
def display_fps(frame):
    with lock:
        cv2.putText(frame, "FPS: {:.2f}".format(fps), (10, 20), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 线程函数：处理视频帧
def process_frames():
    while True:
        # 读取一帧
        ret, frame = cap.read()

        # 调用人脸检测函数
        face_detection(frame)

        # 调用显示帧率函数
        display_fps(frame)

        # 显示结果
        cv2.imshow('Detected Faces', frame)

        # 等待一段时间，确保图像显示
        cv2.waitKey(30)

        # 按 'q' 键退出循环
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

# 创建线程
processing_thread = threading.Thread(target=process_frames)

# 启动线程
processing_thread.start()

# 等待线程结束
processing_thread.join()

# 释放摄像头并关闭所有窗口
cap.release()
cv2.destroyAllWindows()

结语

这次真结束了

拜拜ヾ(￣▽￣)Bye~Bye~