OpenCV 人脸检测

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。

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。

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。

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。

• 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。

显示结果

最后，使用 cv2.imshow() 方法显示检测结果。

完整代码示例

以下是一个完整的 OpenCV 人脸检测代码示例：