人脸检测是计算机视觉中的一个经典问题，而 OpenCV 提供了基于
Haar 特征分类器的人脸检测方法，简单易用且效果显著。
本文将详细介绍如何使用 OpenCV 中的 cv2.CascadeClassifier()
进行人脸检测。
Haar 特征分类器简介
Haar 特征分类器是一种基于 Haar-like 特征的机器学习方法，由 Paul Viola
和 Michael Jones 在 2001 年提出。它通过提取图像中的 Haar-like
特征，并使用 AdaBoost 算法进行训练，最终生成一个分类器，用于检测图像中的目标（如人脸）。
Haar-like 特征是一种简单的矩形特征，通过计算图像中不同区域的像素值差异来提取特征。例如，一个
Haar-like 特征可以是两个相邻矩形的像素值之和的差值。这些特征能够捕捉到图像中的边缘、线条等结构信息。
OpenCV 中的 Haar 特征分类器
OpenCV 提供了预训练的 Haar 特征分类器，可以直接用于人脸检测。这些分类器以 XML
文件的形式存储，包含了训练好的模型参数。
OpenCV 中的 cv2.CascadeClassifier() 类用于加载和使用这些分类器。
人脸检测的实现步骤
1.加载 Haar 特征分类器模型: 使用 cv2.CascadeClassifier() 加载预训练的人脸检测模型。
2.读取图像: 使用 cv2.imread() 读取待检测的图像。
3.转换为灰度图: 将图像转换为灰度图，因为 Haar 特征分类器在灰度图上运行更快。
4.检测人脸: 使用 detectMultiScale() 方法检测图像中的人脸。
5.绘制检测结果: 在图像中绘制检测到的人脸矩形框。
6.显示结果: 显示检测结果。
加载 Haar 特征分类器
在使用 Haar 特征分类器之前，首先需要加载预训练的分类器模型。OpenCV 提供了多个预训练的分类器，如用于人脸检测的
haarcascade_frontalface_default.xml。
实例
import cv2
# 加载 Haar 特征分类器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
|
读取图像
在进行人脸检测之前，需要读取待检测的图像。OpenCV 提供了 cv2.imread() 函数来读取图像。
实例
# 读取图像
image = cv2.imread('image.jpg')
|
转换为灰度图像
Haar 特征分类器通常在灰度图像上进行检测，因此需要将彩色图像转换为灰度图像。
实例
# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
|
进行人脸检测
使用 cv2.CascadeClassifier.detectMultiScale() 方法进行人脸检测。该方法返回检测到的人脸区域的矩形框（x,
y, w, h），其中 (x, y) 是矩形框的左上角坐标，w 和 h 分别是矩形框的宽度和高度。
实例
# 进行人脸检测
faces = face_cascade.detectMultiScale(gray_image, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
|
scaleFactor: 表示每次图像尺寸减小的比例，用于构建图像金字塔。默认值为 1.1。
minNeighbors: 表示每个候选矩形框应该保留的邻居数量。默认值为 5。
minSize: 表示检测目标的最小尺寸。默认值为 (30, 30)。
绘制检测结果
在检测到人脸后，可以使用 cv2.rectangle() 方法在图像上绘制矩形框，标记出人脸的位置。
实例
# 绘制检测结果
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x+w, y+h), (255, 0, 0), 2)
|
显示结果
最后，使用 cv2.imshow() 方法显示检测结果。
实例
# 显示结果
cv2.imshow('Detected Faces', image)
cv2.waitKey(0)
cv2.destroyAllWindows()
|
完整代码示例
以下是一个完整的 OpenCV 人脸检测代码示例：
实例
import cv2
# 加载 Haar 特征分类器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
# 读取图像
image = cv2.imread('image.jpg')
# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 进行人脸检测
faces = face_cascade.detectMultiScale(gray_image, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
# 绘制检测结果
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x+w, y+h), (255, 0, 0), 2)
# 显示结果
cv2.imshow('Detected Faces', image)
cv2.waitKey(0)
cv2.destroyAllWindows()
| |
