python3+openCV实现图片的人脸人眼检测，原理+参数+源代码

 

 

上学时候用matlab学过一些图像处理的基础知识，当时课程作业是用haar实现人脸检测

but当时是心思根本不在图像处理上，so找了个同学帮忙做的，自己没上心

然鹅天道好轮回，现在捡起来了原来的算法一脸懵逼，自己挖的坑再深也得跳下去啊！

 

先上一张经典的lena图镇场子！

 

流程图：

读取一张图片→转灰度图→人眼/人脸检测→标识出来→显示/保存结果

其中，重中之重就是怎样进行检测？下面主要讲一下openCV中现成的一种算法——Haar

算法详解请参考https://blog.csdn.net/playezio/article/details/80471000

如果看不懂很正常，这里用到了太多的数学、图像处理的相关知识，要补的知识点实在是太多太多了！

 

 简单一句话来说：用一个“特征集”去“滑动”匹配待检测的图片，如果图片中某个部分“符合”要求则会标记出来

 

 特征集是个啥？

可以用openCV里封装好的，比如人脸的特征集合（具体是什么我也没有看懂内部算法……）、还有其他的比如eye、body、汽车等等，这些是openCV里已经写好的，具有普适性可以供大家直接调用；

当然也可以自己建立，比如你想建立一个鼠标的特征集等等，难度较大

 

滑动？还摩擦摩擦呢……

如果特征集是个10*10的窗口，待检测图片是100*100的大小，那么这个小窗口会在图片上从上到下，从左到右，步长为1（顺序和步长不确定，只是推测是这么进行的）进行匹配，这称为滑动窗口技术（sliding window）

在此条件下，遍历一张图片所需要的匹配次数是（100/10*1）*（100/10*1）=100次

 

“金字塔流程”——不是埃及辣个

如果有个10*10的眼睛的特征集，待检测图片是一张100*100的大头照，一只眼睛的部分可能占了50*50（比例肯定不对，领会一下精神），那么用这个小窗口怎么匹配都匹配不到啊，怎么办？

把图片缩小到原来的五分之一或者把特征集扩大到5倍不就好了嘛！

在算法中是一点一点试验这个缩放倍数的，就如同金字塔横切面一样。因此从默认的窗口遍历一遍不够，因此最终结果比100次要大的多，这个缩放倍数越小，计算量越大

 

符合要求？这里不展开讲解了，太难！总之一旦符合，就会被标记出来，因此一幅图中如果只有一张脸，但是周围可能会有很多标记的方框（滑动窗口技术和金字塔流程共同导致的）以及可能看起来像人脸的部分，如下图：

 （测试结果不是我做的，网上找的）

但是我们想要的结果就是标记出来两张脸就好了，该合并的就合并，该抛弃的就抛弃（所以说人还是要比机