图片人脸检测
人脸检测使用到的技术是OpenCV，上一节已经介绍了OpenCV的环境安装，点击查看.
功能展示
识别一种图上的所有人的脸，并且标出人脸的位置，画出人眼以及嘴的位置，展示效果图如下：
多张脸识别效果图：
技术实现思路
图片转换成灰色（降低为一维的灰度，减低计算强度）
图片上画矩形
使用训练分类器查找人脸
具体实现代码
图片转换成灰色
使用OpenCV的cvtColor()转换图片颜色，代码如下：
import cv2
filepath = "img/xingye-1.jpg" img = cv2.imread(filepath) # 转换灰色 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 显示图像 cv2.imshow("Image", gray) cv2.waitKey(0) cv2.destroyAllWindows()图片上画矩形
使用OpenCV的rectangle()绘制矩形，代码如下：
import cv2
filepath = "img/xingye-1.jpg" img = cv2.imread(filepath) # 读取图片 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换灰色 x = y = 10 # 坐标 w = 100 # 矩形大小（宽、高） color = (0, 0, 255) # 定义绘制颜色 cv2.rectangle(img, (x, y), (x + w, y + w), color, 1) # 绘制矩形 cv2.imshow("Image", img) # 显示图像 cv2.waitKey(0) cv2.destroyAllWindows() # 释放所有的窗体资源使用训练分类器查找人脸
在使用OpenCV的人脸检测之前，需要一个人脸训练模型，格式是xml的，我们这里使用OpenCV提供好的人脸分类模型xml，下载地址：https://github.com/opencv/opencv/tree/master/data/haarcascades 可全部下载到本地，本人存放的路径是：C:\Python36\Lib\site-packages\opencv-master\data\haarcascades.
完整实现代码：
import cv2
filepath = "img/xingye-1.jpg" img = cv2.imread(filepath) # 读取图片 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换灰色 # OpenCV人脸识别分类器 classifier = cv2.CascadeClassifier( "C:\Python36\Lib\site-packages\opencv-master\data\haarcascades\haarcascade_frontalface_default.xml" ) color = (0, 255, 0) # 定义绘制颜色 # 调用识别人脸 faceRects = classifier.detectMultiScale( gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32)) if len(faceRects): # 大于0则检测到人脸 for faceRect in faceRects: # 单独框出每一张人脸 x, y, w, h = faceRect # 框出人脸 cv2.rectangle(img, (x, y), (x + h, y + w), color, 2) # 左眼 cv2.circle(img, (x + w // 4, y + h // 4 + 30), min(w // 8, h // 8), color) #右眼 cv2.circle(img, (x + 3 * w // 4, y + h // 4 + 30), min(w // 8, h // 8), color) #嘴巴 cv2.rectangle(img, (x + 3 * w // 8, y + 3 * h // 4), (x + 5 * w // 8, y + 7 * h // 8), color) cv2.imshow("image", img) # 显示图像 c = cv2.waitKey(10) cv2.waitKey(0) cv2.destroyAllWindows()分类器classifier.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))参数说明：
gray：转换的灰图厦工叉车
scaleFactor：图像缩放比例，可理解为相机的X倍镜
minNeighbors：对特征检测点周边多少有效点同时检测，这样可避免因选取的特征检测点太小而导致遗漏
minSize：特征检测点的最小尺寸