基于 Python 的人脸检测 — 人脸识别的前提

点击下方卡片，关注“小白玩转Python”公众号

人脸检测是一种识别数字图像中人类面孔的技术。人脸检测是一项相对成熟的技术，还记得在您的数码相机的旧日子里，当您通过取景器看时？您会看到围绕在取景器中的人们脸部的矩形框。在进行人脸识别之前，您需要学习的技术就是人脸检测，也就是试图给脸部赋予一个名字。

对于人脸检测，其中最著名的算法之一是被称为Viola-Jones人脸检测技术，通常称为Haar级联。Haar级联在深度学习流行之前就被发明了，是最常用于检测人脸的技术之一。

人脸检测/识别的道德考虑

尽管检测和识别人脸的能力确实很酷，但它肯定涉及很多道德问题。在将面部识别应用到项目中之前，您需要注意一些关切事项。这些关切事项包括隐私（人脸检测可用于在未经同意的情况下追踪人们的活动）、偏见（人脸检测可能对不同种族、性别或年龄的个体存在偏见）以及滥用（捕捉到的面部可能被用于其他非法用途或恶意目的）。因此，尽管本文侧重于人脸检测的技术能力，但在将其应用到工作中之前，您应该仔细考虑道德和伦理问题。

以下是一些低风险项目，可以在其中实施人脸检测/识别：

考勤跟踪 —— 您可以在学校或工作场所使用人脸识别进行考勤。
个性化 —— 使用人脸识别来个性化服务。一个很好的例子是在娱乐服务中，根据用户的观看历史推荐特定的电视节目。
安全 —— 使用人脸识别来解锁非关键系统，如智能手机和计算机。

然而，在某些应用中使用人脸识别具有严重的道德影响。以下是一些例子：

执法 —— 尽管人脸识别对执法可能有用，但人们对其不准确性和偏见存在一些严重的担忧。
监视 —— 人脸识别技术已经在一些国家用于监视和追踪其公民，特别是持不同政见者。一些公司还使用人脸识别来监视员工的生产力，这直接侵犯了他们的隐私。

如何做Haar级联

Haar级联分类器用于检测其经过训练的对象。以下是Haar面部分类器的工作原理的高级概述：

首先，使用一组正图像（包含面部的图像）和一组负图像（不包含面部的图像）对分类器进行训练。
然后从图像中提取特征。以下图显示了从包含面部图像中提取的一些特征。

为了从图像中检测人脸，您需要寻找通常在人脸上找到的各种特征的存在（见下图），例如眉毛，其中眉毛上方的区域比下方的区域亮。

当一幅图像包含所有这些特征的组合时，它被认为包含一个人脸。

幸运的是，不需要知道Haar级联是如何工作的，OpenCV可以直接使用预训练的Haar级联进行人脸检测，以及用于识别其他对象的其他Haar级联。预定义的Haar级联列表可在GitHub上找到，链接为：https://github.com/opencv/opencv/tree/master/data/haarcascades。

开源计算机视觉（OpenCV）是由英特尔最初开发的开源计算机视觉和机器学习软件库。它旨在为计算机视觉应用程序提供共同的基础架构，并加速机器感知在商业产品中的使用。OpenCV附带了几个预训练的Haar级联，可以检测眼睛、脸部、俄罗斯车牌、微笑等。对于人脸检测，您将需要`haarcascade_frontalface_default.xml`文件，可以从上文的GitHub链接中下载。

安装OpenCV

让我们尝试使用OpenCV进行人脸检测。首先，您需要使用以下命令进行安装：

!pip install opencv-python

对于本文示例，您需要创建一个名为`face_detection.py`的文件。首先，通过以下语句导入OpenCV库：

import cv2

从Webcam读取

接下来要做的是连接到您的网络摄像头并在屏幕上显示图像：

import cv2
# default webcamstream = cv2.VideoCapture(0)
while(True):    # Capture frame-by-frame    (grabbed, frame) = stream.read()
    # Show the frame    cv2.imshow("Image", frame)    key = cv2.waitKey(1) & 0xFF        if key == ord("q"):    # Press q to break out of the loop        break
# Cleanupstream.release()cv2.waitKey(1)cv2.destroyAllWindows()cv2.waitKey(1)

为引用您的网络摄像头，请使用`VideoCapture`类并传递一个数字，表示您的摄像头实例（0表示第一个摄像头，1表示第二个摄像头，依此类推）。

stream = cv2.VideoCapture(0)

为了持续捕获来自网络摄像头的输入，使用一个无限循环（`while(True)`）读取每一帧然后显示它：

 # Capture frame-by-frame    (grabbed, frame) = stream.read()
    # Show the frame    cv2.imshow("Image", frame)

为了使程序能够优雅地退出，等待用户在键盘上按键。当按下"q"键时，循环终止：

   key = cv2.waitKey(1) & 0xFF        if key == ord("q"):    # Press q to break out of the loop        break

然后进行清理工作：

# Cleanupstream.release()cv2.waitKey(1)cv2.destroyAllWindows()cv2.waitKey(1)

要运行程序，请转到终端并键入：

$ python face_detection.py

现在您应该看到您的脸：

检测到脸部

现在来玩个有趣的部分 —— 检测脸部。首先，创建`CascadeClassifier`类的一个实例，并将`haarcascade_frontalface_default.xml`文件传递给它：

import cv2
# for face detectionface_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

您需要复制`haarcascade_frontalface_default.xml`文件并将其放在与`face_detection.py`文件相同的文件夹中。您可以从https://github.com/opencv/opencv/tree/master/data/haarcascades下载XML文件。现在，您可以使用`detectMultiScale()`函数来检测脸部：

while(True):    # Capture frame-by-frame    (grabbed, frame) = stream.read()
    #===============DETECTING FACES============    # Convert to grayscale    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    # Try to detect faces in the webcam    faces = face_cascade.detectMultiScale(gray,                                           scaleFactor=1.3,                                           minNeighbors=5)        # for each faces found    for (x, y, w, h) in faces:                # Draw a rectangle around the face        color = (0, 255, 255) # in BGR        stroke = 5            cv2.rectangle(frame, (x, y), (x + w, y + h),             color, stroke)    #===============DETECTING FACE=============
    # Show the frame    cv2.imshow("Image", frame)    key = cv2.waitKey(1) & 0xFF        if key == ord("q"):    # Press q to break out of the loop        break

请注意`detectMultiScale()`函数中的以下参数：

scaleFactor` 参数允许您将捕获图像重新缩放到新的尺寸，以便算法能够检测到人脸。
minNeighbors` 参数指定每个候选矩形应具有多少邻居才能保留它。此参数影响检测到的人脸的质量。较高的值导致更少的检测，但质量更高。通常，4到6是一个不错的数字。

您可以变化这两个参数的值以确保正确检测到人脸。

当检测到脸部时，您希望在它们周围画出矩形：

# for each faces found    for (x, y, w, h) in faces:                # Draw a rectangle around the face        color = (0, 255, 255) # in BGR        stroke = 5            cv2.rectangle(frame, (x, y), (x + w, y + h),             color, stroke)

当您重新运行`face_detection.py`文件时，现在应该能够检测到脸部了。

`face_detection.py`文件的完整内容如下：

import cv2
# for face detectionface_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# default webcamstream = cv2.VideoCapture(0)
while(True):    # Capture frame-by-frame    (grabbed, frame) = stream.read()
    # Convert to grayscale    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    # Try to detect faces in the webcam


    
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=5)        # for each faces found    for (x, y, w, h) in faces:                # Draw a rectangle around the face        color = (0, 255, 255) # in BGR        stroke = 5            cv2.rectangle(frame, (x, y), (x + w, y + h),             color, stroke)
    # Show the frame    cv2.imshow("Image", frame)    key = cv2.waitKey(1) & 0xFF        if key == ord("q"):    # Press q to break out of the loop        break
# Cleanupstream.release()cv2.waitKey(1)cv2.destroyAllWindows()cv2.waitKey(1)

总结

希望这篇简短的文章为您提供了一种使用Python和您的网络摄像头检测脸部的简单方法。确保下载`haarcascade_frontalface_default.xml`文件并将其放入与您的Python文件相同的文件夹中。

基于 Python 的人脸检测 — 人脸识别的前提

· END ·🌟 想要变身计算机视觉小能手？快来「小白玩转Python」公众号！回复“Python视觉实战项目”，解锁31个超有趣的视觉项目大礼包！🎁本文仅供学习交流使用，如有侵权请联系作者删除

· END ·

🌟 想要变身计算机视觉小能手？快来「小白玩转Python」公众号！
回复“Python视觉实战项目”，解锁31个超有趣的视觉项目大礼包！🎁

本文仅供学习交流使用，如有侵权请联系作者删除