这篇教程的作者是Shantnu Tiwari，他在底层嵌入式领域有十年的工作经验。直到发现Python前，Shantnu一直忍受着C / C ++，Python让他感觉心旷神怡。

这篇教程就是Shantnu对Python爱的分享!(#/)

这篇教程中，将用到一个令人惊讶的极简单方法来检测人脸，利用Python和OpenCV开源库。(#/)

在正式开始前，我希望你们能注意下面几点：

1. 不要尝试跳过教程直接运行代码。除了运行代码，你还必须学会如何找到代码中的BUG

2. 确保使用的是OpenCV v2(最新更新兼容OpenCV3的代码)

3. 你也许需要一个能工作的网络摄像头

4. 在提出问题前先查看其他的评论/问题，您的问题可能已被解决了

▍OpenCV

OpenCV是最受欢迎的计算机视觉库。最初用C / C ++编写，现在也提供了Python包。

OpenCV使用机器学习算法来搜索图片中的人脸。对于像人脸一样复杂的东西，没办法简单的用一个测试，告诉你找到的是不是一张人脸。相反，算法需要匹配数千个小图案/特征才能确定。

机器学习算法，将人脸识别的任务，分解成数千个较小的的容易解决的任务。这些任务也称为分类器(classifiers)。检测是否是一张人脸可能需要6000个以上的分类器，所有这些分类器都必须匹配要检测的脸部(当然在误差范围之内)。

但其中存在的问题是：对于人脸检测，算法从图片的左上角开始，沿着小块数据移动，经过每个块都要不断地问：“这是人脸吗?……这是人脸吗?……这是人脸吗?(话唠...)

由于每一块有6000个或更多的测试，可能需要进行数百万次的计算，这将使计算机停止运行。为了解决这个问题，OpenCV应用了级联(cascades)。什么是级联?最好的答案可以从词典中找到：瀑布或瀑布系列。

像一系列的瀑布一样，OpenCV级联将人脸检测分成多个阶段来解决。对于每个块，先进行非常粗略和快速的测试。如果通过，才会做进一步更详细的测试，如此这般。

算法可能具有30-50个这种级联阶段，只有在所有阶段都通过时，才会认为检测到了人脸。这种方法的优势在于，大部分的图片在最初的几个阶段都会被否决，这意味着该算法不会在这些区域浪费时间来测试所有6000个特征。不用浪费数小时，人脸检测现在可以实时进行。

▍级联实战

虽然理论听起来可能有点复杂，但实践却很简单。级联本身只是一堆包含用于检测对象的OpenCV数据XML文件。您只需初始化所选用级联，它就可以开始工作了。

由于人脸检测很普遍，因此OpenCV内置了一些级联，可用于检测从脸部到眼睛到手和腿的所有内容。甚至还包括非人类事物的级联。例如，你经营了一家香蕉店，这篇就介绍了如何追踪偷窃香蕉的人!(#/341ZW3)

▍安装OpenCV

首先，你要找到符合你操作系统的安装文件。(#/releases.html)

我发现安装OpenCV是该教程中最难的部分。如果您遇到奇怪的无法解释的错误，很可能是由于库冲突，32/64位差异等原因。我发现使用Linux虚拟机并且从头开始安装OpenCV是最简单的方法。

安装完成后，您可以通过启动Python会话并键入以下内容来测试它是否工作：

$ python

>>> import cv2

>>>

如果你没遇到任何报错，那我们就可以进行到下一部分了。

▍了解代码

你可以从这个repo(https://github.com/shantnu/FaceDetect/)下载该教程要用到的代码，让我们分开来看：face_detect.py脚本，abba.png图片和haarcascade_frontalface_default.xml。

# Get user supplied values

imagePath = sys.argv[1]

cascPath = sys.argv[2]

首先将图像和级联命名为命令行参数。我们将使用Abba图像以及默认级联来检测OpenCV提供的人脸。

# Create the haar cascade

faceCascade = cv2.CascadeClassifier(cascPath)

接下来我们创建一个级联，并用我们的人脸级联进行初始化。将脸部级联加载到内存中便于随时使用。请记住，级联只是一个XML文件，其中包含了检测人脸的数据。

# Read the image

image = cv2.imread(imagePath)

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

读取图像并将其转换为灰度模式。OpenCV中的许多操作都是以灰度模式完成的。

# Detect faces in the image

faces = faceCascade.detectMultiScale(

gray,

scaleFactor=1.1,

minNeighbors=5,

minSize=(30, 30),

flags = cv2.cv.CV_HAAR_SCALE_IMAGE

)

该函数用来检测脸部，是我们代码的关键部分，因此让我们来看看它的参数。

1. detectMultiScale 函数是检测对象的通用函数。因为我们在人脸级联上调用它，它就可以用来检测人脸。它的第一个参数要求灰度图像。

2. 第二个参数是scaleFactor。由于某些面部可能更靠近相机，所以它们会比靠后的那些脸部显得更大。比例因子可以补偿这一点。

3. 检测算法使用移动窗口来检测物体。minNeighbors定义在声明找到人脸前，当前对象周边的检测到物体的最小值。minSize，给出了每个移动窗口的最小值。

这里我使用了这些参数的最常用值。您也可以尝试调试窗口大小，比例因子等不同的值，直到找到最适合的值。

该函数根据找到人脸的地方返回矩形列表。接下来，我们看一看它发现的东西。

print "Found {0} faces!".format(len(faces))

# Draw a rectangle around the faces

for (x, y, w, h) in faces:

cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)

函数返回4个值：矩形的x和y位置以及矩形的宽度和高度(w，h)。

利用rectangle()内置函数，我们根据这4个值绘制矩形。

cv2.imshow("Faces found",image)

cv2.waitKey(0)

最后，显示画过矩形的图像，并等待用户按下一个键。

▍检查结果

让我们用 Abba 的照片试一下：

$ python face_detect.py abba.png haarcascade_frontalface_default.xml

看起来运行的不错，那下一张呢：

嗯……检测到了不属于人脸的部分

。将参数scaleFactor调整到到1.2，看是否修正了检测错误。

结果如何?嗯，第一张照片拍摄时离高品质相机非常近。第二个似乎是从较远的地方拍摄的，可能是手机。这就是为什么必须调整scaleFactor的原因。正如我提到的，你必须根据具体情况设置算法，以避免误报。

需要注意的是，因为检测是基于机器学习的，其结果将永远不会达到100%准确。在大多数情况下，能够获得足够好的结果，但偶尔该算法还是会将不正确的对象识别为人脸。

完整的代码可以在这里看到。(https://github.com/shantnu/FaceDetect)

▍网络摄像头扩展

如果你想使用网络摄像头来识别人脸怎么办?OpenCV能从网络摄像头抓取每个帧，然后您可以通过处理每个帧来检测人脸。尽管我五年的笔记本电脑能运行，但你可能仍需要一台强大的电脑，

UPDATED下一篇教程：用Python和网络摄像头来检测人脸。(#/blog/python/face-detection-in-python-using-a-webcam/)