文章目录
1. 项目简介
利用opecv的python库及训练好的级联分类器实现人脸检测。
2. 项目地址
3. 依赖模块
pip install opencv-python
4. 完整代码
import cv2
def face_detect(file_name, cascade_name):
img = cv2.imread(file_name) # 读取图片
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 图片灰度化
img_gray = cv2.equalizeHist(img_gray) # 直方图均衡化
face_cascade = cv2.CascadeClassifier(cascade_name) # 加载级联分类器
faces = face_cascade.detectMultiScale(img) # 多尺度检测
for (x, y, w, h) in faces: # 遍历所有检测到的猫脸
img = cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 255), 5) # 绘制矩形框
cv2.imshow('Face detection', img) # 检测效果预览
cv2.waitKey(0) # 保持窗口显示
if __name__ == "__main__":
face_detect('test.jpg', 'haarcascade_frontalcatface.xml')
5. 必要组件
opencv官方提供了3个已经训练好的人脸级联分类文件：
5.1. haar级联特征分类器（精度高）
5.2. lbp级联特征分类器（速度快）
-
lbpcascade_frontalcatface.xml：点击下载
frontalface对正脸检测效果好。一般来说，haar特征检测精度更高，而lbp特征检测用时更短。
6. 成果展示
6.1. 测试样例1
- haar
- lbp
6.2. 测试样例2
- haar
- lbp（没检测到/(ㄒoㄒ)/~~）
6.3. 测试样例3
- haar
- lbp（没检测到(；′⌒`)）
7. 对比分析
从测试结果来看，haar级联特征的猫脸检测的精度是最高的，但如果对精度要求不高，可以采用lbp级联特征检测，因为这个花费的时间很短。
8. 引用参考
https://docs.opencv.org/master/db/d28/tutorial_cascade_classifier.html
https://docs.opencv.org/master/d2/d99/tutorial_js_face_detection.html