参考： https://github.com/shantnu/FaceDetect/
OpenCV
OpenCV cascade 把人脸检测问题分解为好几步。对于每个数据块，它都进行一个粗略、快速的检测。若通过，会再进行一个更仔细的检测，以此不断类推。该算法有 30 到 50 个这样的阶段，或者说 cascade。只有通过全部阶段，算法才会判断检测到人脸。这样做的好处是：大多数图形都会在头几步就产生否定反馈，算法因而不需要在它上面测试所有 6000 个特征，大大节省了时间。相对于“正常流程”耗费数个小时，这可以实时实现人脸检测。
实践中的 Cascade
它的理论也许听起来很复杂，实际操作起来其实是很简单的。这些 cascades 只是一系列包含 OpenCV 数据的 XML 文件。你用想要的 cascade 初始化代码，它自会替你做你想要的事。
由于人脸识别的普遍性，OpenCV 有一系列能检测各种东西的内置 cascade，从眼睛到手到腿都可以检测。甚至还有针对非人体物体的 cascade。比如说，如果你经营一家卖香蕉的水果店，想要监测偷香蕉的人，就有一个家伙开发了一个针对这一场景的算法！
理解代码
源代码可在资源库下载。记得拿好 face_detect.py 文本、abba.png 图片以及 haarcascade_frontalface_default.xml。下面，我把代码分解开来。
将图片和 cascade 名字作为命令行参数传入。我们会用 Abba 图片和 OpenCV 提供的默认 cascade 来人脸检测。
# Get user supplied values
imagePath = sys.argv[1]
cascPath = sys.argv[2]现在，我们创建一个 cascade，并用人脸 cascade 初始化。这把人脸 cascade 导入内存，所以它随时可以使用。记住，该 cascade 只是一个包含人脸检测数据的 XML 文件。
# Create the haar cascade
faceCascade = cv2.CascadeClassifier(cascPath)读取图片把它转化到灰度格式。
# Read the image
image = cv2.imread(imagePath)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)以下函数做的就是检测人脸，是代码核心部分。所以，我们来过一遍选项。
# Detect faces in the image
faces = faceCascade.detectMultiScale(
gray,
scaleFactor=1.1,
minNeighbors=5,
minSize=(30, 30),
flags = cv2.cv.CV_HAAR_SCALE_IMAGE
)DetectMultiScale 函数是一个检测物体的通用函数。我们在人脸 cascade 上调用它，它检测的就是人脸。
第一个选项是灰度图片。
第二个是 scaleFactor。有的人脸离镜头近，会比其他人脸更大。ScaleFactor 对此进行补偿。
检测算法使用移动窗口来检测物体。在系统宣布检测到人脸之前，minNeighbors 会对当前其周围有多少物体进行定义。MinSize 给出每个窗口的大小。
我用的是这些领域的常用值。现实中，你会拿不同的值试验窗口尺寸、扩展因素等参数，直到找出最比较合适的那一个。
当该函数认为它找到一张人脸时，会返回一个矩形列表。下一步，我们会进行循环，直到它认为检测出了什么。
# 该函数返回四个值：矩形的 x 和 y 坐标，以及它的高和宽。我们用这些值和内置的 rectangle() 函数，画出矩阵。
print "Found {0} faces!".format(len(faces))
# Draw a rectangle around the faces
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)# 我们显示该模型，等用户摁下按键。
cv2.imshow("Faces found" ,image)
cv2.waitKey(0)检验结果
$ python3 face_detect.py abba.png haarcascade_frontalface_default.xml
那两个东西不是脸，我们再试一次。我调整了参数，发现把 scaleFactor 调成 1.2 能去除错误检测。
发生了什么？第一张图片由高清摄像机近距离拍摄，第二章拍摄距离相对更远，而且可能是用手机拍的。这就是需要调整 scaleFactor 的原因。正如我说的，你需要按照实际场景设置算法，避免假正例。
这里，雷锋网提醒大家，由于这基于机器学习，结果永远不会 100% 精确。大多数情况下，你会得到不错的结果。但算法偶尔会失误。
最终代码在这里。
# -*- coding: UTF-8 -*-
"""
opencv实现人脸识别
参考：
1、https://github.com/opencv/opencv/tree/master/data/haarcascades
2、https://github.com/shantnu/FaceDetect
"""
import cv2
import sys
# Get user supplied values
imagePath = "nba.jpg"
# imagePath = sys.argv[1]
cascPath = "./haarcascade_frontalface_default.xml"
# Create the haar cascade
faceCascade = cv2.CascadeClassifier(cascPath)
# Read the image
image = cv2.imread(imagePath)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# Detect faces in the image
faces = faceCascade.detectMultiScale(
gray,
scaleFactor=1.1,
minNeighbors=5,
minSize=(30, 30),
# flags = cv2.cv.CV_HAAR_SCALE_IMAGE
)
print("Found {0} faces!".format(len(faces)))
# Draw a rectangle around the faces
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)
cv2.imshow("Faces found", image)
cv2.waitKey(0)用网络摄像头
如果你想要用网络摄像头呢？OpenCV 从摄像头读取每一帧，你可以通过处理每一帧进行人脸检测。你需要一个性能强大的 PC
# -*- coding: UTF-8 -*-
"""
opencv实现人脸识别
参考：
1、https://github.com/shantnu/FaceDetect/blob/master/live.py
"""
import cv2
import sys
# Get user supplied values
videoPath = "vtest.avi"
# imagePath = sys.argv[1]
cascPath = "./haarcascade_frontalface_default.xml"
# Create the haar cascade
faceCascade = cv2.CascadeClassifier(cascPath)
# Read the video
cap = cv2.VideoCapture(videoPath)
# cap = cv2.VideoCapture(0) # 对于摄像头
if not cap.isOpened():
print("Could not open video", videoPath)
exit(-1)
while(1):
ret, image = cap.read()
if not ret:
print("Game over!")
break
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# Detect faces in the image
faces = faceCascade.detectMultiScale(
gray,
scaleFactor=1.1,
minNeighbors=5,
minSize=(30, 30),
# flags = cv2.cv.CV_HAAR_SCALE_IMAGE
)
print("Found {0} faces!".format(len(faces)))
# Draw a rectangle around the faces
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)
cv2.imshow("Faces found", image)
c = cv2.waitKey(1) & 0xff
if c == 27: break
# When everything done, release the capture
cap.release()
cv2.destroyAllWindows()
