这两天学习了人脸识别，看了学长写的代码，边看边码边理解搞完了一边，再又是自己靠着理解和记忆硬码了一边，感觉还是很生疏，就只能来写个随笔加深一下印象了。
关于人脸识别，首先需要了解的是级联分类器CascadeClassifier，它可以它既可以是Haar特征，也可以是LBP特征的分类器，可以加载OpenCV所提供的库当中的.xml文件，文件存放在anaconda\pkgs\libopencv-3.4.1-h875b8b8_3\Library\etc的haarcascades文件夹中，包含了许多个.xml文件，分别有不同的用途。而在使用级联分类器进行人脸检测时，需要调用 .detectMultiScale 方法，其中的参数为
img:传入图像
object：被检测的物体的矩形框向量组
scaleFactor：表示前后两次相继的扫描中，搜索窗口的比例系数。默认为1.1，即每次搜索窗口扩大10%
minNegihbors，表示构成检测目标的相邻矩形的最小个数(默认为3个)
flags:要么使用默认值，要么使用CV_HAAR_DO_CANNY_PRUNING，如果设置为CV_HAAR_DO_CANNY_PRUNING，那么函数会使用Canny边缘检测来排除边缘过多或者过少的区域，这些通常不会是人脸所在区域
minSize和maxSize：用来限制得到的目标区域的范围
其输出为一个vector矩阵，保存人脸的坐标和大小，需要注意的是，传入的图像必须为灰度图像，因为级联分类器检测需要接收灰度图像。
1.首先是静态图片中的人脸检测
这部分并不算难，看着注释应该也可以看懂，就不多做解释。
def StaticDetect(filename):
‘‘‘
静态图像的人脸检测
‘‘‘
#创建一个级联分类器，加载一个 .xml文件，它既可以是Haar特征，也可以是LBP特征的分类器
face_casecade=cv2.CascadeClassifier(‘./haarcascades/haarcascade_frontalface_default.xml‘)
#加载图像
img=cv2.imread(filename,cv2.IMREAD_COLOR)
#转换为灰度图像
gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
‘‘‘
detectMultiScale进行人脸检测
传入参数为args：
img:传入图像
object：被检测的物体的矩形框向量组
scaleFactor：表示前后两次相继的扫描中，搜索窗口的比例系数。默认为1.1，即每次搜索窗口扩大10%
minNegihbors，表示构成检测目标的相邻矩形的最小个数(默认为3个)
flags:要么使用默认值，要么使用CV_HAAR_DO_CANNY_PRUNING，如果设置为CV_HAAR_DO_CANNY_PRUNING，那么函数会使用Canny边缘检测来排除边缘过多或者过少的区域，这些通常不会是人脸所在区域
minSize和maxSize：用来限制得到的目标区域的范围
输出为：vector保存各个人脸的坐标、大小（用矩形表示）
‘‘‘
faces=face_casecade.detectMultiScale(gray_img,1.2,5)
for (x,y,w,h) in faces:
#在原图上绘制矩形
img=cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
cv2.namedWindow(‘Face_Detected‘)
cv2.imshow(‘Face_Detected‘,img)
cv2.waitKey(0)
cv2.destroyAllWindows()
检测的结果如下图，图片是我从网上随便找的一张图，如果有任何侵犯的地方，请及时联系我，会即刻删除。我们可以发现结果并不是太好，有许多漏检，由于是初学则不做过多改正尝试，可以尝试修改级联分类器中的文件以及搜索窗口比例系数来改变检测准确度。
2.动态人脸检测
这一部分采用了两个级联分类器，一个检测面部，一个检测眼睛，需要注意的是，眼睛的检测是在人脸检测后再进行检测，即先从大的人脸开始画出矩形再到眼睛画出的矩形。检测眼睛时可以把眼镜摘下，会准确很多。
def Video_detected():
‘‘‘
从视频中进行人脸检测
‘‘‘
#创建一个级联分类器，家在一个 .xml文件它既可以是Haar特征，也可以是LBP特征的分类器
face_cascade=cv2.CascadeClassifier(‘./haarcascades/haarcascade_frontalface_default.xml‘)
eye_cascade=cv2.CascadeClassifier(‘./haarcascades/haarcascade_eye.xml‘)
#打开摄像头
camera=cv2.VideoCapture(0)
cv2.namedWindow(‘Dynamic‘)
while(True):
#读取一帧图像 ret
ret,frame=camera.read()
#判断图片读取是否成功
if ret:
gray_img=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
#人脸检测
faces=face_cascade.detectMultiScale(gray_img,1.3,5)
for (x,y,w,h) in faces:
#在原图上绘制矩形
cv2.rectangle(frame,(x,y),(x+w,y+h),(255,0,0),2) #蓝色
roi_gray=gray_img[y:y+h,x:x+w]
#眼睛检测
eyes=eye_cascade.detectMultiScale(roi_gray,1.1,5,0,(40,40))
for (ex,ey,ew,eh) in eyes:
cv2.rectangle(frame,(ex+x,ey+y),(ex+x+ew,ey+y+eh),(0,255,0),2) #绿色
cv2.imshow(‘Dynamic‘,frame)
#如果按下q键则退出
if cv2.waitKey(10) & 0xff==ord(‘q‘):
break
camera.release()
cv2.destroyAllWindows()
检测结果如下图，可以发现对象不多的时候，人脸检测还是挺准确的，尝试过后，动态情况下多个人脸也是可以检测出来的。我们可以发现，在眼睛的检测中多了几个参数，这些参数是由于眼睛比较小，并且有鼻子等造成的阴影可能会产生假阳性，因此通过限制检测的眼睛大小为40*40可以去除假阳性的影响。后续可以尝试不同的参数的检测精度，这里就不多做描述。
这里附上原博客的连接：https://www.cnblogs.com/zyly/p/9410563.html
2018.10.28
原文地址：https://www.cnblogs.com/do-hardworking/p/9866258.html