Python下的人脸检测
Python这门语言的十分的简洁和优雅，并且有着丰富的第三方库。在这里，它只需要7行代码就能完成人脸的检测，让我们试着来玩一下吧，感受一下它的魅力。
1、首先需要导入包
所用电脑为window系统，Python版本为3.6.0
numpy(图片数字化)，opencv-python(摄像头和图片处理)，scipy(科学计算)，dlib(人脸识别)
实际上简单的人脸检测不需要导入这么多包，只需要导入opencv-python这个就足够了。我这里写这么多是因为我看的第一篇文章用50行Python代码实现人脸检测点击打开链接，但我并没有成功，可能是因为某些方面没让我看明白。首先，我在导包的时候就碰到了一些问题。导包过程其实很简单，cmd打开命令行，然后在弹出的窗口中输入：
pip install numpy
pip install scipy
pip install opencv-python
这一步一切都很顺利
这里要说一下这个dlib包，dlib的导入就没有这么成功了，因为它依赖Boost和cmake两个包，所以在导入dlib前需要将这两个包导入。否则就会报一下错误：
怎么导入dlib了，网上方法很多是在Ubuntu下操作的，那我岂不是还要装个虚拟机或双系统才行，我想太麻烦了，其实也没必要。可以直接在网上找到自己安装Python版本对应的dlib包即可。怎么查看下载哪个包么，win7下按下windows键的所有程序中找到安装python对应的IDLE界面，打开对应的shell：
输入命令：
import pip;
print(pip.pep425tags.get_supported());即可显示需要下载的版本。
因此，我在网上找了好久，其实csdn上也有很多人上传了，但是要积分才能下，不够人性化，找到了python3.6下对应的dlib包https://pypi.python.org/pypi/dlib/19.8.1
dlib-19.8.1-cp36-cp36m-win_amd64.whl (md5)
然后cmd命令窗口cd进入下载的dlib报下的目录，输入：
pip install dlib-19.8.1-cp36-cp36m-win_amd64.whl 即可。
感觉走远了，但要作进一步的人脸识别的话，这些包必须要导入。言归正传，接下来看看7行代码如何实现检测的。
2、代码实现与说明
第一行 引入OpenCV
import cv2
openCV是一个基于BSD许可发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上，轻量而且高效，用C/C++编写，同时提供Python、Ruby、Matlab等接口，实现了图像处理和计算机视觉方面的很多通用算法。
第2行 加载分类器cv2.CascadeClassifier
face_patterns = cv2.CascadeClassifier('C:/Users/###/AppData/Local/Programs/Python/Python36/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml')
这里要说明一下，找到安装openCV目录下的haarcascade_frontalface_default.xml即可。
怎么找了，我是用的PyCharm工具，点击PyCharm文件下的设置按钮，找到项目，打开：
这个并非要找的路径，但是这个提供了找到xml文件的线索，进入Python36目录下的Lib，Lib目录下的site-packages，这里有很多导入的包，进入cv2文件夹下的data，是不是感觉发现新大陆了，里面有很多xml
CascadeClassifier是OpenCV中做人脸检测时候的一个级联分类器，该类中封装的是目标检测机制即滑动窗口机制+级联分类器的方式。数据结构包括Data和FeatureEvaluator两个主要部分。Data中存储的是从训练获得的xml文件中载入的分类器数据；而FeatureEvaluator中关于特征的载入、存储和计算。这里采用的训练文件是OpenCV中默认提供的haarcascade_frontalface_default.xml。至于Haar，LBP的具体原理，可以参考OpenCV的相关文档，简单地，可以理解为人脸的特征数据。
第3行 加载目标图片imread
sample_image = cv2.imread('E:/###/pythonprojects/Face/c23e4fd29d58e9eac327b781a04d695d.jpg')
这一步是读取相应的图片，imread后是图片的路径，下面是我测试用的图片，百度图片下的：
第4行 多尺度检测detectMultiScale
faces = face_patterns.detectMultiScale(sample_image, scaleFactor=1.1, minNeighbors=5, minSize=(100, 100))
CascadeClassifier中调detectMultiScale函数进行多尺度检测，多尺度检测中会调用但尺度的方法detectSingleScale。
参数说明：
scaleFactor： 图形的缩放因子
minNeighbors：为每一个级联矩阵应该保留的邻近个数，可以理解为一个人周边有几个人脸
minSize：是检测窗口的大小
这些参数都是可以针对图片进行调整的，处理结果返回一个人脸的矩形对象列表。
第5行和第6行 为每个人脸画一个框
for (x, y, w, h) in faces:
cv2.rectangle(sample_image, (x, y), (x+w, y+h), (0, 255, 0), 2)
循环读取人脸的矩形对象列表，获得人脸矩形的坐标和宽高，然后在原图片中画出该矩形框，调用的是OpenCV的retangle方法，其中矩形框的颜色等是可调整的。
第7行 保存检测后的图片结果
cv2.imwrite('E:/###/pythonprojects/Face/smilegirl1.png', sample_image)
调用imwrite，将检测的结果保存到指定位置。打开图片：
是不是觉得很神奇了。
其实这个方法并非十全十美，我之前用截的图来进行检测但并没有得到任何结果，可见对于不太清晰的图片，该方法就会有遗漏，你看上面的第一张人脸不是也没有检测出来么。
3、整理代码
import cv2
face_patterns = cv2.CascadeClassifier('C:/Users/###/AppData/Local/Programs/Python/Python36/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml')
sample_image = cv2.imread('E:/###/pythonprojects/Face/c23e4fd29d58e9eac327b781a04d695d.jpg')
faces = face_patterns.detectMultiScale(sample_image, scaleFactor=1.1, minNeighbors=5, minSize=(100, 100))
for (x, y, w, h) in faces:
cv2.rectangle(sample_image, (x, y), (x+w, y+h), (0, 255, 0), 2)
cv2.imwrite('E:/###/pythonprojects/Face/smilegirl1.png', sample_image)
是不是更清晰了，7行代码中真正核心的是OpenCV。有兴趣的可以多花点时间研究下其中的原理。
参考链接：