如果你对人工智能感兴趣，又不想理解复杂的理论知识和数学推导，那就和我一起直接动手，抛去理论体验乐趣。
1.开发环境准备
- python 的开发环境（pycharm / VS code都可以）
- 安装 Anaconda 3（官方下载软件安装）
- 安装 openCV （python 库里是cv2，即openCV 2.0+版本）
- 安装 argparse（方便命令行调用）
准备好配菜就可以开火了。
2.在一张图片里找人脸
创建一个faceDetector.py文件，打开。
首先，定义一个类，来完成找人脸的操作：
1 import cv2
2
3 class FaceDetector:
4 def __init__(self, faceCascadePath):
5 self.faceCascade = cv2.CascadeClassifier(faceCascadePath)
6第一行，加载我们安装的 cv2 库，即openCV；
接着，第三行就定义了一个人脸检测的类；
第四行为初始化函数，内部调用了OpenCV中内置的Haar级联分类器的路径，这个分类器已经预先训练过了，可以识别人脸。
可能有很多专业知识，且不管他（想了解可以自行百度，CSDN应该有很多讲解）。无论如何，这些分类器通过从左到右，从上到下，在不同的规模大小上扫描图像。
7 def detect(self, image, scaleFactor = 1.1, minNeighbors = 5,
minSize = (30, 30)):
8 rects = self.faceCascade.detectMultiScale(image,
9 scaleFactor = scaleFactor,
10 minNeighbors = minNeighbors, minSize = minSize,
11 flags = cv2.CASCADE_SCALE_IMAGE)
12
13 return rects第7行定义了检测方法。这个函数接受一些参数，首先是要找到的图像，然后是三个可选参数。
scaleFactor
该参数表示在每个图像扫描尺度上，图像的大小减少了多少。该值用于创建规模金字塔，以便在图像的多个尺度上检测人脸(一些面孔可能更靠前，因此更大。其他的脸在背景中可能显得更小，因此使用不同的尺度扫描），1.1的数值表明，在金字塔的每一层都缩小了10%的图像。
minNeighbors
每个窗口应该有多少个相邻部分一起来认定是否是一张脸。级联分类器将检测到一张脸周围的多个窗口。这个参数控制需要检测多少个矩形(邻居)，以便将窗口扫描部分标记为一张脸。
minSize
一组宽度和高度(以像素为单位)，表示窗口的最小大小，小于这个大小的边框被忽略。
第8行实际是检测人脸的主要部分，调用了分类器的detectMultiScale，传入设置的三个参数，随后返回rects，一组包含图像中faces的边框的元组列表。这些边界框仅仅是(x, y)的位置，以及框的宽度和高度。
通过上面的class，我们就可以完成找人脸的任务，接下来，我们就需要把找到的人脸可视化出来。
3. 人脸检测可视化
这次我把这些代码直接给你，实在是Python的缩进机制，可能让你在直接复制时很不方便。
创建一个faceVisual.py文件，代码如下：
1 from faceDetector import *
2 import argparse
3 import cv2
4 ap = argparse.ArgumentParser()
5 ap.add_argument("-f", "--face", required = True,
6 help = "Path to where the face cascade resides")
7 ap.add_argument("-i","--image",required = True,
8 help = "path to where the image file resides")
9 args = vars(ap.parse_args())
10
11 image = cv2.imread(args["image"])
12 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
13 fd = FaceDetector(args["face"])
14 faceRects = fd.detect(gray, scaleFactor = 1.1, minNeighbors = 5,
15 minSize = (30, 30))
16 print("I found {} face(s)".format(len(faceRects)))
17
18 for (x, y, w, h) in faceRects:
19 cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
20 cv2.imshow("Faces", image)
21 cv2.waitKey(0)前三行主要调用一些必要的库，包括刚刚写的找人脸的文件。
4-9行主要面向命令行的代码，可以需要在命令行内，输入 Haar级联分类器的路径，以及人脸图像的路径。
11-12行读入人脸图片，并转成灰度图。
13-16行加载 Haar级联分类器的路径，并得到返回值，输出一共检测到的人脸.
18-19行就是把检测倒的人脸信息逐一加载，以矩阵框的形式呈现在人脸图像上。
20-21行显示人脸检测结果，键盘任意键退出。
实际操作
命令行输入如下：
PS E:\codeTest> cd openCV
PS E:\codeTest\openCV> cd project
PS E:\codeTest\openCV\project> python detect_faces.py -f E:\codeTest\openCV\project\haarcascade_frontalface_default.xml -i E:\codeTest\openCV\project\face.jpg
[ INFO:0] Initialize OpenCL runtime...I found 6 face(s)嗯，显示结果还是很不错的。
Haar级联分类器文件的下载链接如下：
链接：https://pan.baidu.com/s/1H0HCueT7FJE4DACCmdC5Ig 密码：ync6
下一期会介绍，如何在视频中检测人脸（不定时更新），喜欢的点个赞。