利用OpenCV自带的xml文件，可以实时检测摄像头中人脸
Haar特征、LBP特征都是常用的特征，描述不同的局部信息
Haar描述的是图像在局部范围内像素值明暗变换信息
LBP描述的是图像在局部范围内对应的纹理信息
HAAR与LBP区别：
① HAAR特征是浮点数计算，LBP特征是整数计算；
② LBP训练需要的样本数量比HAAR大；
③ LBP的速度一般比HAAR快；
④ 同样的样本HAAR训练出来的检测结果要比LBP准确；
⑤ 扩大LBP的样本数据可达到HAAR的训练效果
静态图像中检测人脸python实现
def face_detect_demo(image): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) face_detector = cv2.CascadeClassifier("data/haarcascade_frontalface_default.xml") # 创建检测人脸的对象 faces = face_detector.detectMultiScale(gray, 1.02, 5) # 进行人脸检测 """ faces = face_detector.detectMultiScale(img, scaleFactor, minNeighbors) 参数：img: 识别的原图 scaleFactor： 迭代时图像的压缩率 minNeighbors: 每个人脸矩形保留近邻数目的最小值 返回值：一个列表，列表里边每一项是一个框起人脸的矩形(x, y, w, h) """ for x, y, w, h in faces: cv2.rectangle(image, (x, y), (x+w, y+h), (0, 0, 255), 2) cv2.imshow("face_detect_demo", image)
结果
视频中检测人脸python实现
def detect(): # 创建人脸检测的对象 face_cascade = cv2.CascadeClassifier("../data/haarcascade_frontalface_default.xml") # 创建眼睛检测的q对象 eye_cascade = cv2.CascadeClassifier("../data/haarcascade_eye.xml") # 创建微笑检测的q对象 smile_cascade = cv2.CascadeClassifier("../data/haarcascade_smile.xml") # 连接摄像头的对象 0表示摄像头的编号 camera = cv2.VideoCapture(0) while True: # 读取当前帧 ret, frame = camera.read() # 转为灰度图像 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 检测人脸 返回列表 每个元素都是(x, y, w, h)表示矩形的左上角和宽高 faces = face_cascade.detectMultiScale(gray, 1.3, 5) # 画出人脸的矩形 for (x, y, w, h) in faces: # 画矩形 在frame图片上画， 传入左上角和右下角坐标 矩形颜色 和线条宽度 img = cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2) # 把脸单独拿出来 roi_gray = gray[y: y+h, x: x+w] # 在脸上检测眼睛 (40, 40)是设置最小尺寸，再小的部分会不检测 eyes = eye_cascade.detectMultiScale(roi_gray, 1.03, 5, 0, (40, 40)) # 把眼睛画出来 for(ex, ey, ew, eh) in eyes: cv2.rectangle(img, (x+ex, y+ey), (x+ex+ew, y+ey+eh), (0, 255, 0), 2) cv2.imshow("camera", frame) if cv2.waitKey(5) & 0xff == ord("q"): break camera.release() cv2.destroyAllWindows()