随着人工智能的日益火热，计算机视觉领域发展迅速，尤其在人脸识别或物体检测方向更为广泛，今天就为大家带来最基础的人脸识别基础，从一个个函数开始走进这个奥妙的世界。
首先看一下本实验需要的数据集，为了简便我们只进行两个人的识别，选取了beyond乐队的主唱黄家驹和贝斯手黄家强，这哥俩长得有几分神似，这也是对人脸识别的一个考验：
两个文件夹，一个为训练数据集，一个为测试数据集，训练数据集中有两个文件夹0和1，之前看一些资料有说这里要遵循“slabel”命名规则，但后面处理起来比较麻烦，因为目前opencv接受的人脸识别标签为整数，那我们就直接用整数命名吧：
为了方便，我们每个人用20张照片来训练，0代表黄家驹，1代表黄家强：
开始啦：
- 检测人脸。这应该是最基本的，给我们一张图片，我们要先检测出人脸的区域，然后才能
进行操作，opencv已经内置了很多分类检测器，我们这次用haar：
def detect_face(img): #将测试图像转换为灰度图像，因为opencv人脸检测器需要灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #加载OpenCV人脸检测分类器Haar face_cascade = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml') #检测多尺度图像，返回值是一张脸部区域信息的列表(x,y,宽,高) faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5) # 如果未检测到面部，则返回原始图像 if (len(faces) == 0): return None, None #目前假设只有一张脸，xy为左上角坐标，wh为矩形的宽高 (x, y, w, h) = faces[0] #返回图像的正面部分 return gray[y:y + w, x:x + h], faces[0]2.有了数据集和检测人脸的功能后，我们就可以进行预训练了，最后返回所有训练图片的人脸检测信息和标签：
# 该函数将读取所有的训练图像，从每个图像检测人脸并将返回两个相同大小的列表，分别为脸部信息和标签def prepare_training_data(data_folder_path): # 获取数据文件夹中的目录(每个主题的一个目录) dirs = os.listdir(data_folder_path) # 两个列表分别保存所有的脸部和标签 faces = [] labels = [] # 浏览每个目录并访问其中的图像 for dir_name in dirs: # dir_name(str类型)即标签 label = int(dir_name) # 建立包含当前主题主题图像的目录路径 subject_dir_path = data_folder_path + "/" + dir_name # 获取给定主题目录内的图像名称 subject_images_names = os.listdir(subject_dir_path) # 浏览每张图片并检测脸部，然后将脸部信息添加到脸部列表faces[] for image_name in subject_images_names: # 建立图像路径 image_path = subject_dir_path + "/" + image_name # 读取图像 image = cv2.imread(image_path) # 显示图像0.1s cv2.imshow("Training on image...本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
