python基于opencv实现人脸识别
将opencv中haarcascade_frontalface_default.xml文件下载到本地，我们调用它辅助进行人脸识别。
识别图像中的人脸
#coding:utf-8
import cv2 as cv
# 读取原始图像
img = cv.imread('face.png')
# 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.xml
# 微笑 - haarcascade_smile.xml
face_detect = cv.cascadeclassifier('haarcascade_frontalface_default.xml')
gray = cv.cvtcolor(img, cv.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=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
cv.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
cv.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
cv.namedwindow("easmount-csdn", 0)
# 显示图片
cv.imshow("easmount-csdn", img)
# 等待显示 设置任意键退出程序
cv.waitkey(0)
cv.destroyallwindows()
注意，此算法只能检测正脸，并且任何算法都有一定的准确率。如上图所示，图像中有一处被错误地检测为人脸。
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：cv.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
– maxsize表示目标的最大尺寸
识别视频中的人脸
将视频中每一帧图像取出，进行图像人脸识别，标记识别到的人脸，显示每一帧图像。
#coding:utf-8
import cv2 as cv
import numpy as np
# 加载视频
cap = cv.videocapture('wang.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 = cv.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 = cv.cvtcolor(frame, cv.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 = 1.5, minneighbors = 8)
# 绘制矩形和圆形检测人脸
for x, y, w, h in face_zone:
cv.rectangle(frame, pt1 = (x, y), pt2 = (x+w, y+h), color = [0,0,255], thickness=2)
cv.circle(frame, center = (x + w//2, y + h//2), radius = w//2, color = [0,255,0], thickness = 2)
# 显示图片
cv.imshow('video', frame)
# 设置退出键和展示频率
if ord('q') == cv.waitkey(25):
break
# 释放资源
cv.destroyallwindows()
cap.release()
识别摄像头中的人脸
#coding:utf-8
import cv2 as cv
# 识别电脑摄像头并打开
cap = cv.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 = cv.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 = cv.cvtcolor(frame, code=cv.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 = 5)
# 绘制矩形和圆形检测人脸
for x, y, w, h in face_zone:
cv.rectangle(frame, pt1 = (x, y), pt2 = (x+w, y+h), color = [0,0,255], thickness=2)
cv.circle(frame, center = (x + w//2, y + h//2), radius = w//2, color = [0,255,0], thickness = 2)
# 显示图片
cv.imshow('video', frame)
# 设置退出键和展示频率
if ord('q') == cv.waitkey(40):
break
# 释放资源
cv.destroyallwindows()
cap.release()
以上就是python基于opencv实现人脸识别的详细内容，更多关于python opencv 人脸识别的资料请关注其它相关文章！