Python OpenCV 人脸识别

简单运用Python OpenCV对图片进行人脸识别，

我们先看效果及代码：

 

import cv2
 
img1 = cv2.imread('6.jpeg')
gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
faces = face_detector.detectMultiScale(gray, 1.1, 3,cv2.CASCADE_SCALE_IMAGE,(50,50),(100,100))
for (x, y, w, h) in faces:
    cv2.rectangle(img1, (x, y), (x + w, y + w), (0, 255, 0),2)
 
cv2.imshow("img",img1)
cv2.waitKey(0) 

看着几行代码也是很简单，挨着介绍一下，方便于理解

import cv2  即导入opencv2模块，导入才能使用opencv，类似于C语言中的头文件。

img1 = cv2.imread('6.jpeg') 通过cv2模块把图片读取到img1中，需要指明图片的路径，因为图片与代码在同一目录，因此可以不写路径。

gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) 将图片修改为灰度图像输出到gray，使用灰度图像识别速度会快一些，如果不使用灰度图像也可以。

face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml") 导入正面人脸检测的级联分类器，若自己有训练好的人脸识别文件也可以将此xml替换。替换成其他文件也可用时识别其他内容，不仅仅局限与人脸。

faces = face_detector.detectMultiScale(gray, 1.1, 3,cv2.CASCADE_SCALE_IMAGE,(50,50),(100,100)) 进行人脸识别；gray是传入的灰度图片，也可以用未进行图像转换的img1；1.1参数可以决定两个不同大小的窗口扫描之间有多大的跳跃，这个参数设置的大，则意味着计算会变快，但如果窗口错过了某个大小的人脸，则可能丢失物体，默认为1.1；默认值为3表明至少有3次重叠检测，我们才认为人脸确实存；cv2.CV_HAAR_SCALE_IMAGE   按比例检测；(50,50) 寻找人脸的最小区域；(100,100)寻找人脸的最大区域。

for (x, y, w, h) in faces:
    cv2.rectangle(img1, (x, y), (x + w, y + w), (0, 255, 0),2)  读取人脸识别的位置与响应的区域大小，并画出来。rectangle为画矩形；画在img1图片中；(x, y)是矩形起点坐标；(x + w, y + w)是矩形终点坐标；(0, 255, 0) 是RGB;2为线条粗细。

cv2.imshow("img",img1) 显示画好矩形的人脸识别图片。

cv2.waitKey(0) 等待按键，没有此行图片会一闪而过。

文件路径：需要的文件在同一目录中。

 识别的关键函数与相关参数，可通过调节参数减小识别误差：

detectMultiScale（const Mat& image, double scaleFactor=1.1，int minNeighbors, int flag，minSize, maxSize）

1.image为输入的图像。

2.scaleFactor:  其原理是系统会以不同的区块大小对图片进行扫描，再进行特征对比。参数无特别需求，一般设置为1.1。

3.minNeighbors  此为控制误检率参数，默认值为3。

4.flag此参数设置检测模式，可取值如下：

cv2.CV_HAAR_SCALE_IMAGE   按比例检测

cv2.CV_HAAR_DO_CANNY_PRUNING  利用Canny 边缘检测器排除一些边缘很少或很多的图像区域

cv2.CV_HAAR_FIND_BIGGEST_OBJECT   只检测最大物体

cv2.CV_HAAR_DO_ROUGH_SEARCH  只做初步检测。

5.minSize  设置最小的识别区块。

6.maxSize  设置最大的识别区块，低于minSize和高于maxSize的话就不会检测出来。