基于Python和OpenCV的人脸检测

面部识别一直是一个热门话题，也从来没有像现在这样容易理解。在这篇文章中，我们首先介绍如何使用Python检测人脸。

机器学习、人工智能和人脸识别是当前的重要课题。所以我想，使用Python来检测照片中的面孔是多么容易，这将是一件很有趣的事情。这篇文章的重点是仅仅检测人脸，而不是人脸识别，因为人脸识别实际上是为人脸指定一个名称。使用Python检测面孔的最流行也可能是最简单的方法是使用OpenCV包。OpenCV是一个用C++编写的计算机视觉库，具有Python绑定。根据所使用的操作系统，安装起来可能会比较复杂。

寻找面孔

使用OpenCV查找人脸的主要方法有两种：

Haar分类器

LBP级联分级机

大多数教程使用Haar是因为它更精确，但它也比LBP慢得多。我将坚持本教程的Haar。OpenCV包实际上拥有有效使用Harr所需的所有数据。基本上，您只需要一个包含右侧数据的XML文件。如果你知道自己在做什么，或者你只需要使用OpenCV附带的内容，你就可以创建自己的产品。我不是一个数据科学家，所以我将使用内置分类器。在本例中，您可以在安装的OpenCV库中找到它。就去/LIB/SITE-Package/CV2/data文件夹中的HAARCADESS_FrontalFaces_alt.xml。我复制了那个文件，并把它放在我写的面部检测代码所在的文件夹中。

Haar通过观察一系列正面和负面的图像来工作。基本上，有人去标记了一堆照片中的特征，不管是相关的还是不相关的，然后通过机器学习算法或神经网络进行运行。Haar看边缘，线和四个矩形的特征。上面有个很好的解释OpenCV站点。一旦你有了数据，你就不需要做任何进一步的训练，除非你需要完善你的检测算法。

现在我们已经做好了准备，让我们编写一些代码。

我们在这里做的第一件事是进口。在Python中，OpenCV绑定称为CV2。然后，我们创建一个函数，它接受图像文件的路径。我们使用OpenCV的imread方法读取图像文件，然后创建它的副本，以防止我们意外地修改原始图像。接下来，我们将图像转换为灰度。你会发现，计算机视觉几乎总是更好的灰色比它的颜色，或至少是对OpenCV的情况。

下一步是使用OpenCV的XML文件加载Haar分类器。现在我们可以尝试使用分类器对象的检测多尺度方法在图像中找到人脸。我打印出我们找到的面孔数目，如果有的话。分类器对象实际上返回元组的迭代器。每个元组都包含它找到的面部的x/y坐标以及脸的宽度和高度。我们使用这些信息在脸周围画一个矩形，这个矩形是使用OpenCV的矩形方法发现的。最后给出了实验结果：

我直接看着相机的照片效果很好。只是为了好玩，让我们试着运行这个免版税形象我通过我们的代码发现：

当我在代码中运行这个映像时，我得到了以下结果：

正如您所看到的，OpenCV只找到了这四张照片中的两张，所以这个特殊的级联文件不足以找到照片中的所有面孔。

在照片中寻找眼睛

OpenCV还有一个HaarCascade眼XML文件，用于在照片中查找眼睛。如果你做了大量的摄影，你可能知道，当你做肖像画时，你想把注意力集中在眼睛上。事实上，有些相机甚至有自动对焦功能。例如，我知道索尼几年来一直在吹嘘他们的眼睛对焦功能，而且在我对他们的一台相机的测试中，它实际上运行得很好。它很可能使用类似Haars本身的东西来实时发现眼睛。

无论如何，我们需要稍微修改代码，以生成一个眼睛查找器脚本：

这里我们添加了第二个级联分类器对象。这一次，我们使用OpenCV内置的Haarcasement.xml档案。另一个变化是在我们的循环中，我们在找到的面孔上循环。在这里，我们也尝试找到眼睛，在它们周围画长方形的时候，在它们上循环。我尝试通过这个新示例运行我的原始头照图像，得到以下结果：

这做得很好，虽然它没有在右边的眼睛周围很好地画出矩形。

包起来

OpenCV有很多功能可以让您开始使用Python进行计算机视觉。您不需要编写太多的代码来创建有用的东西。当然，为了使这类代码正常工作，您可能需要做比本教程中所示的更多的工作--培训您的数据和完善您的数据集。我的理解是训练部分是真正耗时的部分。无论如何，我强烈建议查看OpenCV并尝试一下。