python之人脸检测与识别初探

人脸检测的种类

人脸识别分为哪几类的？可分为两种。
一是静态人脸识别：指被识别人，处于静态状态或配合状态下，采集其人脸图像，进行图像识别，此类需要当事人的配合，一般会暂用当事人1-2秒的时间，此部分适合应用于对时间不敏感或者对采集人脸不反感的场所，例如：人脸门禁、身份识读，考勤打卡，网吧身份证核查，访客登记等场合；

二是动态人脸识别：指被识别的人，处于移动状态或者步行等非配合情况下，采集其人脸视频，进行人脸识别，此类不需要当事人配合，因此引用当事人无感场所，例如：车站、机场、码头等人流集中地，实现重点人脸管控，防患于未然。

人脸检测在生活中的应用

人脸识别在我们生活中的应用越来越广泛。

你可以扫脸解锁手机，扫脸支付，可以扫脸开门，人脸变成了一个人非常重要的生物信息。 现在人脸识别技术发展愈加成熟，应用领域也越来越泛，比如云脉人脸识别系统可应用在以下场景：

1. 企业、住宅安全和管理：如人脸识别门禁考勤系统，人脸识别防盗门等。
2. 电子护照及身份证：中国的电子护照计划公安部一所正在加紧规划和实施。
3. 公安、司法和刑侦：如利用人脸识别系统和网络，在全国范围内搜捕逃犯。
4. 自助服务：如自助实名认证，自助远程开户等。
5. 信息安全：如计算机登录、电子政务和电子商务。

人脸检测与人脸识别

在开始讲解人脸检测之前，先帮大家解析经常被搞混的两个概念：人脸检测 vs 人脸识别。注意！！ 大家经常会搞混的概念。
分清楚这两个概念的不同，简单来讲，他们的核心区别在于：

1. 哪有脸？人脸检测 （是在图像中定位人脸区域的过程）

2. 脸是谁？人脸识别 （分类检测这个脸是谁）

一种是把人脸检测获得的人脸区域，在已知人脸库进行比对；

另外一种是针对人脸图像特征，提取特征值。特征值数组 用来标识人脸信息。

后者更实用。

从顺序来讲，先进行人脸检测，然后再进行人脸识别。

那我们今天就先来讲讲如何使用OpenCV进行人脸检测。

如何使用OpenCV进行人脸检测

关于HaarCascade

OpenCV中人脸识别是通过Haar特征的级联分类器实现，在这里暂不涉及太多底层算法原理部分的讲解。

实际上OpenCV里面有很多预先训练好的HaarCascade模型(XML文件) , 例如正脸检测， 眼睛检测， 全身检测，下半身检测等。

在OpenCV的两个代码仓库里面都有。

数据1: opencv/data/cascades

数据2: opencv_contrib/modules/face/data/cascades

级联分类器的使用方法

通过FaceCascade模型， 输入图片， 我们可以获取人脸所在区域的矩形位置。

模型的使用方法比较简单， 首先要载入对应的HaarCascade文件， 文件格式为xml。 这里为了方便大家使用， 我已经将文件下载到了haar文件夹下， 可以通过相对路径进行引用。

├── FaceDetection-v1.py
├── FaceDetection-v2.py
├── face.mp4
├── face.png
├── haar
    ├── haarcascade_eye.xml
    └── haarcascade_frontalface_default.xml

我们在CascadeClassifier中传入对应HaarCascade文件

# 载入人脸检测的Cascade模型
FaceCascade = cv2.CascadeClassifier('./haar/haarcascade_frontalface_default.xml')

输入 Input

接下来就是将图片的灰度图传入到这个FaceCascade模型中， 进行人脸检测。

# 检测画面中的人脸
faces = FaceCascade.detectMultiScale(gray)

输出 Output
返回的faces是人脸所在区域的ROI数组， 例如：

[(x1, y1, w1, h1), (x2, y2, w2, h2)]

当然， 你可以设定不同的参数，例如设定缩放因子， 设置最小邻居阈值。

# 检测画面中的人脸
faces = FaceCascade.detectMultiScale(
    gray,
    scaleFactor=1.1,
    minNeighbors=5
) 

参数的具体含义与使用方法见OpenCV的官方API文档 :

OpenCV官方文档： cascadeclassifier-detectmultiscale

ROI 的全称是Region Of Interest , 用于表示在画面的子区域。整个画面的原点（0,0） ， 在整个画面中的左上角。 ROI 本质上是Tuple类型的数据，其中（x,y）代表人脸所在矩形区域的左上角坐标， w 代表矩形的宽度， h代表矩形的高度。

人脸检测的效果演示

人脸检测-V1

从图片中读入图片，识别人脸，并在图片中标识人脸所在的矩形区域。

人脸检测-V2

人脸识别v2版的效果演示， 里面用到了两个HaarCascade模型， 一个是识别人脸的模型， 另外一个是识别眼睛的模型。

程序流程讲解

人脸识别v1的代码里面核心三个主要模块 ：HighGUI 上位机部分， Draw 绘图模块， CascadeClassifier 级联分类器。

程序大致的流程如下：

1. HighGUI 读入图片， 并转换为灰度图
2. CascadeClassifier 载入 人脸检测的级联模型（xml）文件
3. CascadeClassifier 使用模型检测灰度图中的人脸，返回faces
4. Draw 遍历faces，在彩图上绘制人脸的矩形区域
5. HighGUI创建一个窗口叫做Face
6. HighGUI 在窗口Face中展示图像（绘制人脸矩形区域后的）
7. HighGUI 等待任意按键按下
8. HighGUI 退出程序，关闭所有的窗口

FaceDetection-v1.py

# -*- coding:utf-8 -*-
'''
人脸识别FaceDetection
通过HaarCascade模型，进行人脸识别与眼睛识别，在视频流中绘制矩形，标识人脸
'''
import cv2

# 设置图片路径
img_path = 'face.png'
# 载入带有人脸的图片
img = cv2.imread(img_path)
if img is None:
    # 判断图片是否读入正确
    print("ERROR：请检查图片路径")
    exit(1)
# 将彩色图片转换为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)


# 载入人脸检测的Cascade模型
FaceCascade = cv2.CascadeClassifier('./haar/haarcascade_frontalface_default.xml')

# 检测画面中的人脸
faces = FaceCascade.detectMultiScale(
    gray,
    scaleFactor=1.1,
    minNeighbors=5
)

# 遍历返回的face数组
for face in faces:
    # 解析tuple类型的face位置数据
    # (x, y): 左上角坐标值
    # w: 人脸矩形区域的宽度
    # h: 人脸矩形区域的高度
    (x, y, w, h) = face
    # 在原彩图上绘制矩形
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 4)

# 创建一个窗口 名字叫做Face
cv2.namedWindow('Face',flags=cv2.WINDOW_NORMAL | cv2.WINDOW_KEEPRATIO | cv2.WINDOW_GUI_EXPANDED)

# 在窗口Face上面展示图片img
cv2.imshow('Face', img)
# 等待任意按键按下
cv2.waitKey(0)
# 关闭所有的窗口
cv2.destroyAllWindows()

如何提高人脸识别的速度？

**

1. 缩小检索范围， 在上一帧人脸所在矩形周围寻找。
2. 缩放，在低分辨率下检索，然后逐步精确位置。