7.7 KiB
基于 Python 和 OpenCV 的人脸检测
原文：https://www.blog.pythonlibrary.org/2018/08/15/face-detection-using-python-and-opencv/
机器学习、人工智能和人脸识别是眼下的热门话题。所以我想看看用 Python 来检测照片中的人脸是多么容易，这会很有趣。本文将只关注检测人脸，而不是人脸识别，人脸识别实际上是给一张脸指定一个名字。使用 Python 检测人脸最流行也可能是最简单的方法是使用 OpenCV 包。OpenCV 是一个用 C++编写的计算机视觉库，有 Python 绑定。根据您使用的操作系统，安装可能有点复杂，但在大多数情况下，您可以使用 pip:
pip install opencv-python
我在旧版本的 Linux 上使用 OpenCV 时遇到了问题，我无法正确安装最新版本。但是这在 Windows 上工作得很好，并且现在似乎在最新版本的 Linux 上也工作得很好。对于本文，我使用的是 OpenCV 的 Python 绑定的 3.4.2 版本。
寻找面孔
使用 OpenCV 查找人脸主要有两种方法:
- 哈尔分类器
- LBP 级联分类器
大部分教程都用 Haar，因为它更准确，但也比 LBP 慢很多。在本教程中，我将继续使用 Haar。OpenCV 包实际上包含了有效使用 Harr 所需的所有数据。基本上，您只需要一个 XML 文件，其中包含正确的面部数据。如果你知道你在做什么，你可以创建你自己的，或者你可以使用 OpenCV 自带的。我不是数据科学家，所以我将使用内置的分类器。在这种情况下，您可以在您安装的 OpenCV 库中找到它。只需转到 Python 安装中的**/Lib/site-packages/cv2/data文件夹，并查找Haar cascade _ frontal face _ alt . XML**。我把那个文件复制出来，放在我写人脸检测代码的那个文件夹里。
哈尔通过观察一系列正面和负面的图像来工作。基本上，有人会将一堆照片中的特征标记为相关或不相关，然后通过机器学习算法或神经网络进行运行。哈尔着眼于边缘，线条和四矩形特征。OpenCV 网站上有一个很好的解释。一旦你有了数据，你就不需要做任何进一步的训练，除非你需要完善你的检测算法。
现在我们已经做好了准备，让我们写一些代码:
import cv2
import os
def find_faces(image_path):
image = cv2.imread(image_path)
# Make a copy to prevent us from modifying the original
color_img = image.copy()
filename = os.path.basename(image_path)
# OpenCV works best with gray images
gray_img = cv2.cvtColor(color_img, cv2.COLOR_BGR2GRAY)
# Use OpenCV's built-in Haar classifier
haar_classifier = cv2.CascadeClassifier('haarcascade_frontalface_alt.xml')
faces = haar_classifier.detectMultiScale(gray_img, scaleFactor=1.1, minNeighbors=5)
print('Number of faces found: {faces}'.format(faces=len(faces)))
for (x, y, width, height) in faces:
cv2.rectangle(color_img, (x, y), (x+width, y+height), (0, 255, 0), 2)
# Show the faces found
cv2.imshow(filename, color_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
if __name__ == '__main__':
find_faces('headshot.jpg')
我们在这里做的第一件事是进口。OpenCV 绑定在 Python 中被称为 cv2 。然后，我们创建一个接受图像文件路径的函数。我们使用 OpenCV 的 imread 方法来读取图像文件，然后创建一个副本来防止我们意外修改原始图像。接下来，我们将图像转换为灰度。你会发现计算机视觉几乎总是用灰色比用彩色效果更好，至少 OpenCV 是这样。
下一步是使用 OpenCV 的 XML 文件加载 Haar 分类器。现在，我们可以尝试使用分类器对象的检测多尺度方法在我们的图像中找到人脸。我打印出我们找到的面孔的数量，如果有的话。分类器对象实际上返回元组的迭代器。每个元组包含它找到的面的 x/y 坐标以及面的宽度和高度。我们使用这些信息在使用 OpenCV 的矩形方法找到的脸部周围画一个矩形。最后我们展示了结果:
我直视镜头的照片效果很好。只是为了好玩，让我们试着运行我通过代码找到的这张免版税图片:
当我在代码中运行这个图像时，我得到了如下结果:
正如你所看到的，OpenCV 只找到了四个人脸中的两个，所以这个特定的层叠文件不足以找到照片中的所有人脸。
在照片中寻找眼睛
OpenCV 还有一个 Haar Cascade eye XML 文件，用于查找照片中的眼睛。如果你做过很多摄影，你可能知道当你做肖像的时候，你想试着聚焦在眼睛上。事实上，一些相机甚至有眼睛自动对焦功能。例如，我知道索尼已经吹嘘他们的眼睛对焦功能好几年了，在我对他们的一款相机的测试中，它实际上工作得很好。它很可能使用类似于 Haars 本身的东西来实时发现眼睛。
无论如何，我们需要稍微修改一下代码来创建一个眼睛探测器脚本:
import cv2
import os
def find_faces(image_path):
image = cv2.imread(image_path)
# Make a copy to prevent us from modifying the original
color_img = image.copy()
filename = os.path.basename(image_path)
# OpenCV works best with gray images
gray_img = cv2.cvtColor(color_img, cv2.COLOR_BGR2GRAY)
# Use OpenCV's built-in Haar classifier
haar_classifier = cv2.CascadeClassifier('haarcascade_frontalface_alt.xml')
eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml')
faces = haar_classifier.detectMultiScale(gray_img, scaleFactor=1.1, minNeighbors=5)
print('Number of faces found: {faces}'.format(faces=len(faces)))
for (x, y, width, height) in faces:
cv2.rectangle(color_img, (x, y), (x+width, y+height), (0, 255, 0), 2)
roi_gray = gray_img[y:y+height, x:x+width]
roi_color = color_img[y:y+height, x:x+width]
eyes = eye_cascade.detectMultiScale(roi_gray)
for (ex,ey,ew,eh) in eyes:
cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
# Show the faces / eyes found
cv2.imshow(filename, color_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
if __name__ == '__main__':
find_faces('headshot.jpg')
这里我们添加第二个级联分类器对象。这一次，我们使用 OpenCV 内置的 haarcascade_eye.xml 文件。另一个变化是在我们的循环中，我们对找到的人脸进行循环。在这里，我们也试图找到眼睛，并在眼睛周围画矩形。我试着在这个新例子中运行我的原始头像，得到了以下结果:
这做得相当好，虽然它没有在右边的眼睛周围画出那么好的矩形。
包扎
OpenCV 有很多强大的功能让你开始用 Python 做计算机视觉。你不需要写很多行代码来创建有用的东西。当然，您可能需要做比本教程中显示的更多的工作，训练您的数据并优化您的数据集，以使这种代码正常工作。我的理解是，培训部分是真正耗时的部分。无论如何，我强烈推荐去看看 OpenCV，试一试。这是一个非常整洁的图书馆，有很好的文档。
相关阅读
- OpenCV - 使用哈尔级联的人脸检测
- 用 Python 进行人脸识别
- DataScienceGo - OpenCV 人脸检测