人脸识别：haarcascade_frontalface_default.xml加载FALSE

最新推荐文章于 2024-05-14 09:47:20 发布

土星沉迷学习的园子

最新推荐文章于 2024-05-14 09:47:20 发布

阅读量870

点赞数 4

分类专栏：问题文章标签： opencv

本文链接：https://blog.csdn.net/m0_52029912/article/details/137529484

版权

问题专栏收录该内容

3 篇文章 0 订阅

订阅专栏

第一步：在这个网站上下载python-4.9.0-window-exe(我的opencv-python库是更新到4.9.0)

第二步：将exe存入在自己Anaconda\Lib\site-packages\下运行

第三步：

face_cas_path=r'D:\tools\Anaconda\Lib\site-packages\opencv\sources\data\haarcascades\haarcascade_frontalface_default.xml'
face_cas = cv.CascadeClassifier(face_cas_path)
face_cas_path.load(cascPath)

结果显示True

当然还有一种方法，直接将需要用的文件复制到运行文件同一个目录下，直接：

face_cas = cv.CascadeClassifier( "haarcascade_frontalface_default.xml" )
face_cas.load('haarcascade_frontalface_default.xml')

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

土星沉迷学习的园子

关注关注

4
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
人脸识别：haarcascade_frontalface_default.xml加载FALSE

haarcascade_frontalface_default.xml加载FALSE
复制链接

扫一扫

专栏目录

人脸识别需要的haarcascade_frontalface_default.xml文件

09-07

haarcascade_eye.xml 和haarcascade_frontalface_default.xml

人脸识别需要的haarcascade_frontalface_default.xml模型和其他

12-15

人脸识别的用到的模型

参与评论您还未登录，请先登录后发表或查看评论

OpenCV人脸识别，报错缺少haarcascade_frontalface_default.xml文件解决方案（随手记）

最新发布

Tassel_YUE的博客

05-14

851

将下载的xml文件放到所需的python文件目录下即可。使用pip安装的opencv库可能会缺少进行人脸识别的。直接进行下载，再放到需要使用的python文件目录下。找到对应需要的xml文件，这里我举例为。

opencv 人脸检测 haarcascade_frontalface_default.xml

05-26

opencv 人脸检测 haarcascade_frontalface_default.xml 构建分类器所需要的xml文件

人脸识别1.0 python+opencv

m0_52238102的博客

12-11

4028

一个基于python+opencv完成的简易人脸监测并识别认证程序

怎么下载haarcascade_frontalface_default.xml

weixin_46031067的博客

05-28

4833

做python大作业的时候，用到人脸识别，需要下载haarcascade_frontalface_default.xml这个文件，在网上找了链接去github上面下，发现下不下来，会出现网络问题无法下载。后来发现，pytho n里面安装了cv2之后自动下载了该文件，文件路径如下： ...

OpenCV学习——图像脸部识别

weixin_51995147的博客

06-16

1517

使用OpenCV将图像文件的人脸标记出来，下列是常用的人脸识别特征文件，可以使用CascadeClassifier()类执行脸部识别。face_cascade = cv2.CascadeClassifier(‘~haarcascade_frontalface_default.xml’)

利用OpenCV自带的预训练模型实现人脸识别

halo的博客

10-26

1024

OpenCV已经训练好的模型路径为：也可以在pychram左下角的外部库中找到，data中的xml文件，即为训练好的模型其中为人脸识别模型，将他复制到代码文件夹或者复制绝对路径即可使用。

cv2实现人脸识别（图片、读写视频）

沐雨金鳞

08-24

3830

图片中的人脸检测 haarcascade_frontalface_default.xml：人脸识别中的默认分类器,主要用于人脸图片中的人脸轮廓的识别。下载地址：haarcascades下载地址 import cv2 nba = cv2.imread('nba.jpg') # 人脸数据，级联分类器，给人脸特征数据，返回可以识别人脸的对象 detector = cv2.Cas...

haarcascade_frontalface_default.xml人脸识别文件.rar

05-18

"haarcascade_frontalface_default.xml"是OpenCV库中一个著名的人脸检测模型，用于识别人脸的前端部分。本文件是XML格式，存储了预训练的特征级联分类器，用于检测图像中的面部特征。 OpenCV（Open Source Computer...

人脸锁定haarcascade-frontalface-default.xml

04-21

opencv python人脸锁定依赖 https://blog.csdn.net/weixin_42660202/article/details/114657105 依赖使用

haarcascade-frontalcatface.xml.zip

12-15

opencv4x-xml haarcascades

人脸识别训练参数haarcascade_frontalface_default.xml

03-13

人脸识别训练参数

OpenCV官方训练好的人脸识别器 haarcascade_frontalface_alt2.xml

02-04

haarcascade_frontalface_alt2.xml 官方人脸识别器训练文件成品官方 haarcascade_frontalface_alt2.xml 训练文件

haarcascade_frontalface_alt2.xml

10-31

人脸的Haar特征分类器就是一个XML文件，该文件中会描述人脸的Haar特征值。当然Haar特征的用途可不止可以用来描述人脸这一种，用来描述眼睛，嘴唇或是其它物体也是可以的。OpenCV有已经自带了人脸的Haar特征分类器。OpenCV安装目录中的\data\ haarcascades目录下的haarcascade_frontalface_alt.xml与haarcascade_frontalface_alt2.xml都是用来检测人脸的Haar分类器。这个haarcascades目录下还有人的全身，眼睛，嘴唇的Haar分类器。关于人脸的Haar特征分类器，可以直接使用cvHaarDetectObjects。离线的人脸检测技术一般采用神经网络的方法，ColorReco就是用神经网络的思路做人脸识别的。

open-cv，haarcascade_frontalface_default.xml人脸检测模型包

09-23

在给定的标题和描述中提到的"haarcascade_frontalface_default.xml"是一个预训练的人脸检测模型，它是OpenCV库中用于面部识别的一个关键组件。这个模型基于Haar特征级联分类器，这是一种机器学习方法，最初由Paul ...

haarcascade_frontalface_default.xml

01-19

《人脸识别技术详解——基于haarcascade_frontalface_default.xml的实现》 人脸识别是计算机视觉领域中的一个重要课题，它涉及到图像处理、模式识别以及人工智能等多个领域的技术。在众多的人脸识别算法中，OpenCV...

人脸识别 人脸追踪 haarcascade_frontalface_alt2.xml 资源下载

07-23

# 加载特征数据 face_detector = cv2.CascadeClassifier('haarcascade_frontalface_alt2.xml')

写一个基于Python_opencv人脸录入、识别系统

06-12

好的，我可以为您提供一个基于 Python 和 OpenCV 的人脸录入和识别系统。以下是基本的步骤： 1. 安装 OpenCV 库和其他依赖库，例如 numpy 和 argparse。 2. 准备训练数据集。这里我们可以使用已经标记好的数据集，例如 LFW 数据集，或者自己标记一些人脸数据集。 3. 训练人脸识别模型。我们可以使用 OpenCV 自带的人脸识别算法 LBPH（Local Binary Patterns Histograms）或者使用其他深度学习算法，例如基于卷积神经网络（CNN）的人脸识别模型。 4. 实现人脸录入功能。这里我们可以使用 OpenCV 的人脸检测算法来检测人脸，并使用摄像头拍摄人脸图像，然后将图像保存到本地。 5. 实现人脸识别功能。我们可以使用 OpenCV 的人脸识别算法来识别人脸，并将人脸与已知的人脸数据进行比对，从而确定识别结果。下面是一些代码参考： ```python import cv2 import numpy as np import argparse # 训练模型 def train_model(training_data): # 加载数据 faces = [] labels = [] for label, folder in enumerate(training_data): for image_path in folder.glob("*.jpg"): image = cv2.imread(str(image_path), cv2.IMREAD_GRAYSCALE) faces.append(image) labels.append(label) # 训练模型 face_recognizer = cv2.face.LBPHFaceRecognizer_create() face_recognizer.train(faces, np.array(labels)) return face_recognizer # 检测人脸 def detect_face(image, face_cascade): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30)) if len(faces) == 0: return None, None (x, y, w, h) = faces[0] return gray[y:y+w, x:x+h], faces[0] # 识别人脸 def recognize_face(image, face_recognizer, face_cascade): face, rect = detect_face(image, face_cascade) if face is None: return None label, confidence = face_recognizer.predict(face) return label, confidence # 录入人脸 def add_face(image, face_cascade, output_folder, label): face, rect = detect_face(image, face_cascade) if face is None: return False output_path = output_folder / f"{label}_{len(list(output_folder.glob('*.jpg'))) + 1}.jpg" cv2.imwrite(str(output_path), face) return True # 主函数 def main(): parser = argparse.ArgumentParser(description="Face Recognition System") parser.add_argument("--train", action="store_true", help="Train the face recognition model") parser.add_argument("--input", type=str, help="Input image or video path") parser.add_argument("--output", type=str, help="Output image or video path") parser.add_argument("--add", type=str, help="Add a new face to the dataset") parser.add_argument("--label", type=str, help="Label of the new face") args = parser.parse_args() if args.train: # 训练模型 training_data = [Path("data/face_recognition/person1"), Path("data/face_recognition/person2")] face_recognizer = train_model(training_data) face_recognizer.save("data/face_recognition/model.xml") elif args.add: # 录入新人脸 image = cv2.imread(args.add) face_cascade = cv2.CascadeClassifier("data/haarcascade_frontalface_default.xml") output_folder = Path("data/face_recognition/person3") add_face(image, face_cascade, output_folder, args.label) else: # 识别人脸 face_recognizer = cv2.face.LBPHFaceRecognizer_create() face_recognizer.read("data/face_recognition/model.xml") face_cascade = cv2.CascadeClassifier("data/haarcascade_frontalface_default.xml") if args.input: # 处理图片 image = cv2.imread(args.input) label, confidence = recognize_face(image, face_recognizer, face_cascade) print(f"Recognized label: {label}, confidence: {confidence}") if args.output: cv2.imwrite(args.output, image) else: # 处理视频 cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() label, confidence = recognize_face(frame, face_recognizer, face_cascade) print(f"Recognized label: {label}, confidence: {confidence}") if args.output: cv2.imwrite(args.output, frame) cv2.imshow("Face Recognition", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() if __name__ == "__main__": main() ``` 您可以根据需要调整代码并添加更多功能。

“相关推荐”对你有帮助么？

非常没帮助
没帮助
一般
有帮助
非常有帮助

提交