python 7行代码 opencv人脸识别

不罗嗦 先上代码

准备工具  python3  opencv  haarcascade_frontalface_default.xml（找个地方下载 https://github.com/opencv/opencv/tree/master/data/haarcascades）

import cv2

face_patterns = cv2.CascadeClassifier(r'C:\Users\Desktop\ai\mtcnn-pytorch-master\faceRecog\haarcascade_frontalface_alt2.xml')

sample_image = cv2.imread(r'C:\Users\Desktop\ai\mtcnn-pytorch-master\faceRecog\201612_detected.png')
faces = face_patterns.detectMultiScale(sample_image,scaleFactor=1.6,minNeighbors=5,minSize=(100, 100))

for (x, y, w, h) in faces:
    cv2.rectangle(sample_image, (x, y), (x+w, y+h), (0, 255, 0), 2)

cv2.imwrite(r'C:\Users\Desktop\ai\mtcnn-pytorch-master\faceRecog\201908_detected.png', sample_image);

描述：

第1行 引入 OpenCV

开源是伟大的，使我们视野更开阔，而且不用重复造轮子。这里没有用PIL，再结合特定算法，而是直接使用了OpenCV(http://opencv.org)。 OpenCV是一个基于BSD许可发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上，轻量而且高效，用C／C++编写，同时提供了Python、Ruby、MATLAB等接口，实现了图像处理和计算机视觉方面的很多通用算法。

第2行  加载分类器 cv2.CascadeClassifier

CascadeClassifier是Opencv中做人脸检测时候的一个级联分类器，该类中封装的是目标检测机制即滑动窗口机制+级联分类器的方式。数据结构包括Data和FeatureEvaluator两个主要部分。Data中存储的是从训练获得的xml文件中载入的分类器数据；而FeatureEvaluator中是关于特征的载入、存储和计算。这里采用的训练文件是OpenCV中默认提供的haarcascade_frontalface_default.xml。至于Haar，LBP的具体原理，可以参考opencv的相关文档，简单地，可以理解为人脸的特征数据。

第3行  加载目标图片 imread

人脸识别系统一般分为：人脸图像采集、人脸图像预处理、人脸图像特征提取以及匹配与识别。 简化起见，之间读入图片，需要清楚一点，本人亲测过。

第4行  多尺度检测 detectMultiScale

调用 CascadeClassifier 中的调detectMultiScale函数进行多尺度检测，多尺度检测中会调用单尺度的方法detectSingleScale。
参数说明：

• scaleFactor 是 图像的缩放因子

• minNeighbors 为每一个级联矩形应该保留的邻近个数，可以理解为一个人周边有几个人脸

• minSize 是检测窗口的大小

这些参数都是可以针对图片进行调整的，处理结果返回一个人脸的矩形对象列表。

第5行 和 第6行 为每个人脸画一个框

循环读取人脸的矩形对象列表，获得人脸矩形的坐标和宽高， 然后在原图片中画出该矩形框，调用的是OpenCV的rectangle 方法，其中矩形框的颜色等是可调整的。

第7行 保存检测后的结果

万事具备了，调用imwrite，将检测后的结果保存到指定的位置。结果图如下：

 

参考资源：https://www.cnblogs.com/xyou/p/9227386.html