[Python图像处理] 二十八.OpenCV快速实现人脸检测及视频中的人脸 丨【百变AI秀】

该系列在github所有源代码：

https://github.com/eastmountyxz/ImageProcessing-Python

前文参考：

[Python图像处理] 一.图像处理基础知识及OpenCV入门函数

[Python图像处理] 二.OpenCV+Numpy库读取与修改像素

[Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理

[Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波

[Python图像处理] 五.图像融合、加法运算及图像类型转换

[Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移

[Python图像处理] 七.图像阈值化处理及算法对比

[Python图像处理] 八.图像腐蚀与图像膨胀

[Python图像处理] 九.形态学之图像开运算、闭运算、梯度运算

[Python图像处理] 十.形态学之图像顶帽运算和黑帽运算

[Python图像处理] 十一.灰度直方图概念及OpenCV绘制直方图

[Python图像处理] 十二.图像几何变换之图像仿射变换、图像透视变换和图像校正

[Python图像处理] 十三.基于灰度三维图的图像顶帽运算和黑帽运算

[Python图像处理] 十四.基于OpenCV和像素处理的图像灰度化处理

[Python图像处理] 十五.图像的灰度线性变换

[Python图像处理] 十六.图像的灰度非线性变换之对数变换、伽马变换

[Python图像处理] 十七.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算

[Python图像处理] 十八.图像锐化与边缘检测之Scharr算子、Canny算子和LOG算子

[Python图像处理] 十九.图像分割之基于K-Means聚类的区域分割

[Python图像处理] 二十.图像量化处理和采样处理及局部马赛克特效

[Python图像处理] 二十一.图像金字塔之图像向下取样和向上取样

[Python图像处理] 二十二.Python图像傅里叶变换原理及实现

[Python图像处理] 二十三.傅里叶变换之高通滤波和低通滤波

[Python图像处理] 二十四.图像特效处理之毛玻璃、浮雕和油漆特效

[Python图像处理] 二十五.图像特效处理之素描、怀旧、光照、流年以及滤镜特效

[Python图像处理] 二十六.图像分类原理及基于KNN、朴素贝叶斯算法的图像分类案例丨【百变AI秀】

[Python图像处理] 二十七.OpenGL入门及绘制基本图形（一）

[Python图像处理] 二十八.OpenCV快速实现人脸检测及视频中的人脸 丨【百变AI秀】

文章目录

一.OpenCV基础

二.图像单人脸检测

三.图像多人脸检测

四.检测视频人脸

五.摄像头人脸检测

六.总结

一.OpenCV基础

首先调用"pip install opencv-python"安装OpenCV库，如下图所示，显示“Successfully installed opencv-python-4.2.0.32”表示安装成功。

下面代码是读入图片并显示保存。

读入图像

OpenCV读图像主要调用下面函数实现：

img = cv2.imread(文件名,[,参数])

参数(1) cv2.IMREAD_UNCHANGED (图像不可变)

参数(2) cv2.IMREAD_GRAYSCALE (灰度图像)

参数(3) cv2.IMREAD_COLOR (读入彩色图像)

参数(4) cv2.COLOR_BGR2RGB (图像通道BGR转成RGB)

显示图像

显示图像调用函数如下：

cv2.imshow(窗口名, 图像名)

窗口等待

调用函数如下：

cv2.waitKey(delay)

键盘绑定函数，共一个参数，表示等待毫秒数，将等待特定的几毫秒，看键盘是否有输入，返回值为ASCII值。如果其参数为0，则表示无限期的等待键盘输入；参数>0表示等待delay毫秒；参数<0表示等待键盘单击。

删除所有窗口

调用函数如下：

cv2.destroyAllWindows() 删除所有窗口

cv2.destroyWindows() 删除指定的窗口

写入图片

调用函数如下：

retval = cv2.imwrite(文件地址, 文件名)

下面代码是读入图片并显示保存。

# -*- coding:utf-8 -*- import cv2 #读取图片 img = cv2.imread("test.jpg") #显示图像 cv2.imshow("Demo", img) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows() #写入图像 cv2.imwrite("testyxz.jpg", img)

输出结果如下图所示，并且在文件夹下保存了一张名为“testyxz.jpg”的图像。

同样，OpenCV可以实现各种图像处理效果，前面的文章我们也进行了详细的讲解。

图像素描特效

它会将图像的边界都凸显出来，通过边缘检测及阈值化处理能实现该功能。一幅图像的内部都具有相似性，而在图像边界处具有明显的差异，边缘检测利用数学中的求导来扩大这种变化。但是求导过程中会增大图像的噪声，所以边缘检测之前引入了高斯滤波降噪处理。本文的图像素描特效主要经过以下几个步骤：

调用cv2.cvtColor()函数将彩色图像灰度化处理；

通过cv2.GaussianBlur()函数实现高斯滤波降噪；

边缘检测采用Canny算子实现；

最后通过cv2.threshold()反二进制阈值化处理实现素描特效。

其运行代码如下所示。

#coding:utf-8 import cv2 import numpy as np #读取原始图像 img = cv2.imread('yxz.png') #图像灰度处理 gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #高斯滤波降噪 gaussian = cv2.GaussianBlur(gray, (5,5), 0) #Canny算子 canny = cv2.Canny(gaussian, 50, 150) #阈值化处理 ret, result = cv2.threshold(canny, 100, 255, cv2.THRESH_BINARY_INV) #显示图像 cv2.imshow('src', img) cv2.imshow('gray', gray) cv2.imshow('result', result) cv2.waitKey() cv2.destroyAllWindows()

最终输出结果如下图所示，它将彩色图像灰度素描处理。

二.图像单人脸检测

人脸识别的常见步骤如下，如果想要将人脸准确地找出来，需要通过建立人脸模型，获取准确区分人脸的分类器，这里我们使用网上公开的扩展包或已经训练好的分类器。

第一步，下载人脸识别算法，这里使用OpenCV发布在github上的代码。

-：

https://github.com/opencv/opencv/blob/master/data/haarcascades/haarcascade_frontalface_default.xml

我们将“haarcascade_frontalface_default.xml”文件下载至本地，后续调用它辅助我们进行人脸识别。

第二步，调用cv2.CascadeClassifier()和detectMultiScale()函数，根据人脸特征进行识别。

CascadeClassifier：是OpenCV中人脸检测的一个级联分类器，既可以使用Haar，也可以使用LBP特征。以Haar特征分类器为基础的对象检测技术是一种非常有效的技术。它是基于机器学习且使用大量的正负样本训练得到分类器。

Haar-like矩形特征：是用于物体检测的数字图像特征。这类矩形特征模板由两个或多个全等的黑白矩形相邻组合而成，而矩形特征值是白色矩形的灰度值的和减去黑色矩形的灰度值的和，矩形特征对一些简单的图形结构，如线段、边缘比较敏感。如果把这样的矩形放在一个非人脸区域，那么计算出的特征值应该和人脸特征值不一样，所以这些矩形就是为了把人脸特征量化，以区分人脸和非人脸。

LBP：是一种特征提取方式，能提取出图像的局部的纹理特征，最开始的LBP算子是在3X3窗口中，取中心像素的像素值为阀值，与其周围八个像素点的像素值比较，若像素点的像素值大于阀值，则此像素点被标记为1，否则标记为0。这样就能得到一个八位二进制的码，转换为十进制即LBP码，于是得到了这个窗口的LBP值，用这个值来反映这个窗口内的纹理信息。LBPH是在原始LBP上的一个改进，在opencv支持下我们可以直接调用函数直接创建一个LBPH人脸识别的模型。比如：cv2.face.LBPHFaceRecognizer_create()。

detectMultiScale：检测人脸算法，其参数：

– image表示要检测的输入图像

– objects表示检测到的人脸目标序列

– scaleFactor表示每次图像尺寸减小的比例

– minNeighbors表示每一个目标至少要被检测到3次才算是真的目标，因为周围的像素和不同的窗口大小都可以检测到人脸

– minSize表示目标的最小尺寸

– minSize表示目标的最大尺寸

第三步，绘制矩形或圆形检测人脸，并将人脸识别的最终图像显示出来。

完整代码如下所示：

#coding:utf-8 import cv2 # 读取原始图像 img = cv2.imread('yxz.png') # 调用熟悉的人脸分类器 检测特征类型 # 人脸 - haarcascade_frontalface_default.xml # 人眼 - haarcascade_eye.xm # 微笑 - haarcascade_smile.xml face_detect = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') # 检查人脸 按照1.1倍放到 周围最小像素为5 face_zone = face_detect.detectMultiScale(img, scaleFactor=1.1, minNeighbors=5) print ('识别人脸的信息：',face_zone) # 绘制矩形和圆形检测人脸 for x, y, w, h in face_zone: # 绘制矩形人脸区域 thickness表示线的粗细 cv2.rectangle(img, pt1=(x, y), pt2=(x+w, y+h),color=[0,0,255], thickness=2) # 绘制圆形人脸区域 radius表示半径 cv2.circle(img, center=(x+w//2, y+h//2), radius=w//2, color=[0,255,0], thickness=2) # 设置图片可以手动调节大小 cv2.namedWindow("Easmount-CSDN", 0) # 显示图片 cv2.imshow("Easmount-CSDN", img) # 等待显示 设置任意键退出程序 cv2.waitKey(0) cv2.destroyAllWindows()

注意，此时的算法只能检测正脸，比如下图就无法检测。

三.图像多人脸检测

检测图像多张人脸，其方法和前面非常类似，基本流程如下：

将图像转换为灰度图像

调用cv2.CascadeClassifier()和detectMultiScale()函数，根据人脸特征进行识别

绘制矩形或圆形检测人脸，并将人脸识别的最终图像显示出来

完整代码如下图所示：

#coding:utf-8 import cv2 # 读取原始图像 img = cv2.imread('test01.jpg') # 调用熟悉的人脸分类器 识别特征类型 # 人脸 - haarcascade_frontalface_default.xml # 人眼 - haarcascade_eye.xm # 微笑 - haarcascade_smile.xml face_detect = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') # 灰度处理 gray = cv2.cvtColor(img, code=cv2.COLOR_BGR2GRAY) # 检查人脸 按照1.1倍放到 周围最小像素为5 face_zone = face_detect.detectMultiScale(gray, scaleFactor = 1.1, minNeighbors = 4) # maxSize = (55,55) print ('识别人脸的信息：\n',face_zone) # 绘制矩形和圆形检测人脸 for x, y, w, h in face_zone: # 绘制矩形人脸区域 cv2.rectangle(img, pt1 = (x, y), pt2 = (x+w, y+h), color = [0,0,255], thickness=2) # 绘制圆形人脸区域 radius表示半径 cv2.circle(img, center = (x + w//2, y + h//2), radius = w//2, color = [0,255,0], thickness = 2) # 设置图片可以手动调节大小 cv2.namedWindow("Easmount-CSDN", 0) # 显示图片 cv2.imshow("Easmount-CSDN", img) # 等待显示 设置任意键退出程序 cv2.waitKey(0) cv2.destroyAllWindows()

如下图所示，将两人的脸庞识别出来。注意，该算法会根据人脸的不同尺寸，绘制不同人脸的矩形或圆形框出。

识别人脸的信息： [[479 281 154 154] [314 359 129 129]]

再举一个北影毕业照的示例，可以看到人脸被成功的识别。

识别人脸的信息： [[166 38 26 26] [366 80 30 30] [273 83 30 30] [117 40 29 29] [ 71 44 28 28] [210 127 30 30] [376 45 27 27] [ 39 89 29 29] [285 126 30 30] [329 128 29 29] [196 48 30 30] [366 129 32 32] [306 82 31 31] [135 123 32 32] [134 76 29 29] [ 92 102 32 32] [341 22 26 26] [140 25 28 28] [305 30 30 30] [244 35 27 27] [250 109 31 31] [174 111 30 30] [336 75 29 29]]

同样，任何算法都不会100%识别准确，由于噪声、误差、算法、训练集等影响，某些时候也会出现错误识别。一方面OpenCV无法识别侧脸，另一方面某些花被识别成人脸。

四.检测视频人脸

这里需要调用cv2.VideoCapture()函数导入视频，然后读取视频中的数据，最后调用之前的算法识别人脸。核心代码如下：

读取视频数据

cap = cv2.VideoCapture(‘shipin.mp4’) #导入视频

flag, frame = cap.read()

flag：返回值为True和False，True和图片一起返回，当读完视频后返回False

frame：接受返回来的图片

人脸像素检测识别

face_zone = face_detect.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=3)

scaleFactor：检测像素点扩散的面积

minNeighbors：像素点邻近值

设置视频展示频度

为了让视频的展示速度和原视频一致，我们需要调用 “cap.get(propId = cv2.CAP_PROP_FPS)” 函数将其设置为25，即每秒25帧。

完整代码如下：

#coding:utf-8 import cv2 import numpy as np # 加载视频 cap = cv2.VideoCapture('shipin01.mp4') # 调用熟悉的人脸分类器 识别特征类型 # 人脸 - haarcascade_frontalface_default.xml # 人眼 - haarcascade_eye.xm # 微笑 - haarcascade_smile.xml face_detect = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') while True: # 读取视频片段 flag, frame = cap.read() if flag == False: break # 灰度处理 gray = cv2.cvtColor(frame, code=cv2.COLOR_BGR2GRAY) # 检查人脸 按照1.1倍放到 周围最小像素为5 face_zone = face_detect.detectMultiScale(gray, scaleFactor = 1.1, minNeighbors = 4) # 绘制矩形和圆形检测人脸 for x, y, w, h in face_zone: cv2.rectangle(frame, pt1 = (x, y), pt2 = (x+w, y+h), color = [0,0,255], thickness=2) cv2.circle(frame, center = (x + w//2, y + h//2), radius = w//2, color = [0,255,0], thickness = 2) # 显示图片 cv2.imshow('video', frame) # 设置退出键和展示频率 if ord('q') == cv2.waitKey(40): break # 释放资源 cv2.destroyAllWindows() cap.release()

女神跳舞输出视频如下图所示，能够实时获取人脸并显示。但是当人物跳舞运动时，由于抖动会导致识别的人脸不准确，这也是更多算法要进行优化的原因。本文当前仅分享基础知识，后续随着自己深入研究，可能会分享更深更好的文章。

五.摄像头人脸检测

识别电脑摄像头的流程和识别视频中的是一样的，只是加载源的方式不一样。当VideoCapture(0)时，自动调用摄像头捕捉视频。

#coding:utf-8 import cv2 # 识别电脑摄像头并打开 cap = cv2.VideoCapture(0) # 调用熟悉的人脸分类器 识别特征类型 # 人脸 - haarcascade_frontalface_default.xml # 人眼 - haarcascade_eye.xm # 微笑 - haarcascade_smile.xml face_detect = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') while True: # 读取视频片段 flag, frame = cap.read() if flag == False: break # 灰度处理 gray = cv2.cvtColor(frame, code=cv2.COLOR_BGR2GRAY) # 检查人脸 按照1.1倍放到 周围最小像素为5 face_zone = face_detect.detectMultiScale(gray, scaleFactor = 1.2, minNeighbors = 5) # 绘制矩形和圆形检测人脸 for x, y, w, h in face_zone: cv2.rectangle(frame, pt1 = (x, y), pt2 = (x+w, y+h), color = [0,0,255], thickness=2) cv2.circle(frame, center = (x + w//2, y + h//2), radius = w//2, color = [0,255,0], thickness = 2) # 显示图片 cv2.imshow('video', frame) # 设置退出键和展示频率 if ord('q') == cv2.waitKey(40): break # 释放资源 cv2.destroyAllWindows() cap.release()

输出结果如下图所示，同样需要注意识别正脸和静止状态效果更好。

六.总结

这篇文章参考了杨友学生的分享，作为老师，最开心的事是看到学生不断成长，分享这么好的文章、撰写高质量的论文、找到编程相关的工作。也希望更多学生能从我的文章、故事、课堂中学到有用的知识或一些感受，我会继续努力，争取早日博士毕业，回贵州那篇土地继续教书育人。一起加油~

感恩能与大家在华为云遇见！

希望能与大家一起在华为云社区共同成长，原文地址：https://blog.csdn.net/Eastmount/article/details/104463173

【百变AI秀】有奖征文火热进行中：https://bbs.huaweicloud.com/blogs/29670

(By:娜璋之家 Eastmount 2021-08-28 夜于贵阳)

参考文献：

[1] 图像处理之opencv识别图片和视频中人脸 - 阿优乐扬

[2] https://github.com/opencv/opencv/blob/master/data/haarcascades

[3] cv2级联分类器CascadeClassifier - cchangcs

[4] OpenCV实践之路——人脸检测（C++/Python) - 冰不语

[5] 10分钟手把手教你运用Python实现简单的人脸识别 - 短短的路走走停停

OpenCV Python 图像处理

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。