1，人臉檢測簡介
人臉檢測的模型主要有兩類，一類是知識模型，根據眼睛、嘴、鼻子的相對位置或面部不同部位的顏色深度差異來檢測人臉，另一類是統計模型，把海量的人臉數據轉換成二維像素矩陣，從統計的觀點出發構建人臉模式空間判斷人臉是否存在。

2,特征數據
最常用到的三種特征分別為Haar特征、LBP特征及HOG特征，三種特征描述了三種不同的局部信息：
（1） Haar描述的是圖像在局部范圍內像素值明暗變換信息；
（2）LBP描述的是圖像在局部范圍內對應的紋理信息；
（3）HOG描述的則是圖像在局部范圍內對應的形狀邊緣梯度信息。
其中，OpenCV使用的Haar特征分類器屬于第二種模型，訓練人臉檢測的特征分類器是個非常耗時費力的工作，需要收集大量的正負樣本，不過值得慶幸的是OpenCV已經為我們完成了這項工作。關于Haar的具體原理和算法請大家自行百度，簡單點說Haar特征分類器是xml文件，記錄了面部正面、側面、左右眼、鼻子、笑臉、上半身等多個Haar特征數據，通過對輸入圖片進行級聯篩選查找人臉
3.人臉檢測的實現
在搜索“github opencv”，在“opencv/data/haarcascades”目錄下可以看到各種各樣的特征分類器（xml文件），從文件名上可以輕易區分出分類器的用途，如“haarcascadesfrontalface_default.xml”是臉部正面特征分類器。https://github.com/opencv/opencv/tree/master/dat
源代碼示例：

import cv2 as cv
import numpy as npdef face_detect_demo(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)#轉化為灰度圖face_detector = cv.CascadeClassifier("F:/images/haarcascade_frontalface_alt_tree.xml")#利用級聯檢測器加載特征數據faces = face_detector.detectMultiScale(gray, 1.02, 5)for x, y, w, h in faces:cv.rectangle(image, (x, y), (x+w, y+h), (0, 0, 255), 2)cv.imshow("result", image)#cv.cv.waitKey(10)src = cv.imread("F:/images/lena.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
"""
cv.namedWindow("result", cv.WINDOW_AUTOSIZE)
capture = cv.VideoCapture(0)
cv.namedWindow("result", cv.WINDOW_AUTOSIZE)
while(True):ret, frame = capture.read()frame = cv.flip(frame, 1)face_detect_demo(frame)c = cv.waitKey(10)if c == 27: # ESCbreak
#在視頻中定位人臉
"""
cv.imshow("input image", src)
face_detect_demo(src)cv.waitKey(0)cv.destroyAllWindows()

運行結果：

總結

以上是生活随笔為你收集整理的OpenCV+python：人脸检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。