最近发现其实有很多有意思的小项目,代码少,但是却可以非常简单高效的完成一些独立的功能。
这种小项目,对于新手朋友们练手或者理解一个业务很有帮助,所以后面我会搜集或者编写一些简单有用的实战小项目代码,陆续发一下,感兴趣的小伙伴欢迎体验。
今天就从一个利用 OpenCV 快速完成人脸的检测开始。
相信大家对人脸识别早已不陌生了,比如去公司时会刷脸进门,支付宝有刷脸支付等等。
大部分情况下,人脸识别可以通过分析人脸的特征点,比如眼睛、鼻子、嘴巴的位置和大小,以及这些特征之间的相对关系,来完成一个人脸和对应个人身份的验证。
当然这种验证过程涉及很多技术和知识点,比如特征点提取、模式识别、机器学习等等,真正做起来也很复杂。
今天,我们不做这么复杂的东西,仅仅几行用简单的代码,带大家体验一下人脸检测的过程。
1. 准备
需要说明的是,接下来并不是做人脸的身份验证,而是做一个人脸的画框检测。
代码开发环境为 python。
即使你是个小白,按照下面的方法,也可以很简单的复现出来,感兴趣的话试着玩一玩吧。
准备一张你想要识别的人脸的图片,比如我从网上下载的一张图片。
2. 代码实战
利用 OpenCV 库实现一个人脸识别很简单,因为 OpenCV 提供了相关的接口,我们直接调用即可。
在调用之前,需要下载一个人脸检测分类器的文件(haarcascade_frontalface_default.xml)。
整个实战的详细代码如下,我对每一步都添加了注释,可以详细阅读一下。
import cv2
# 导入 OpenCV 库
#人脸检测分类器的本地文件路径
local_file_path = "./haarcascade_frontalface_default.xml"
#加载人脸检测分类器
#CascadeClassifier 是用于加载训练好的 Haar 特征分类器的类
face_cascade = cv2.CascadeClassifier(local_file_path)
#读取图像
#'face.jpeg' 是需要进行人脸检测的图像文件的路径
img = cv2.imread("./face.jpeg")
#将彩色图像转换为灰度图像
#灰度图像减少计算复杂性,提高检测效率
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#使用分类器进行人脸检测
#detectMultiScale 函数可以检测图像中的多个人脸
#参数 scaleFactor、minNeighbors、minSize 用于控制检测的精度和结果
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1,
minNeighbors=5, minSize=(30, 30))
#在原图像上绘制人脸框
for x, y, w, h in faces: #使用矩形框标记检测到的人脸
#cv2.rectangle 用于在图像上绘制矩形框
#(255, 0, 0) 是框的颜色(蓝色),2 是框的厚度
cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
#处理后的图像保存路径
processed_img = "./processed_image.jpg"
#保存处理后的图像
cv2.imwrite(processed_img, img)
print("succ dump processed img to:", processed_img)
上述代码运行之后,会将图片中的人脸部分检测出来,并且用矩形框框出来。
同时将处理的图片保存到本地,命名为 processed_image.jpg,识别出来的图片如下:
详细的代码和人脸分类器文件,关注公众号:董董灿是个攻城狮,后台回复【人脸0】即可获取。