从实时视频流中识别出人脸区域，从原理上看，其依然属于机器学习的领域之一，本质上与谷歌利用深度学习识别出猫没有什么区别。程序通过大量的人脸图片数据进行训练，利用数学算法建立建立可靠的人脸特征模型，如此即可识别出人脸。幸运的是，这些工作OpenCV已经帮我们做了，我们只需调用对应的API函数即可，先给出代码：
先看一下程序输出结果：
程序正确的识别出了我的脸，加上空白行不到50行代码，还是很简单的。当然，绝大部分的工作OpenCV已经默默地替我们做了，所以我们用起来才这么简单。关于代码有几个地方需要重点交代，首先就是人脸分类器这行：
这行代码指定OpenCV选择使用哪种分类器(注意，一定习惯分类这个说法，ML的监督学习研究的就是各种分类问题)，OpenCV提供了多种分类器：
上图为我的电脑上安装的OpenCV3.2提供的所有分类器，有识别眼睛的(甚至包括左右眼)，有识别身体的，有识别笑脸的，甚至还有识别猫脸的，有兴趣的可以逐个试试。关于人脸识别，OpenCV提供多个分类器选择使用，其中haarcascade_frontalface_alt_tree.xml是最严格的分类器，光线、带个帽子都有可能识别不出人脸。其它的稍微好点，default那个识别最宽松，某些情况下我家里的灯笼都会被识别成人脸；)。另外安装环境不同，分类器的安装路径也有可能不同，请在安装完OpenCV后根据分类器的实际安装路径修改代码。另外再多说一句，如果我们想构建自己的分类器，比如检测火焰(火灾报警)、汽车(确定路口汽车数量)，我们依然可以使用OpenCV训练构建，详细说明参见OpenCV的官方文档。
接下来解释如下几行代码：
其中classfier.detectMultiScale()即是完成实际人脸识别工作的函数，该函数参数说明如下：
grey：要识别的图像数据(即使不转换成灰度也能识别，但是灰度图可以降低计算强度，因为检测的依据是哈尔特征，转换后每个点的RGB数据变成了一维的灰度，这样计算强度就减少很多)
scaleFactor：图像缩放比例，可以理解为同一个物体与相机距离不同，其大小亦不同，必须将其缩放到一定大小才方便识别，该参数指定每次缩放的比例
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：特征检测点的最小值
对同一个画面有可能出现多张人脸，因此，我们需要用一个for循环将所有检测到的人脸都读取出来，然后逐个用矩形框框出来，这就是接下来的for语句的作用。Opencv会给出每张人脸在图像中的起始坐标(左上角，x、y)以及长、宽(h、w)，我们据此就可以截取出人脸。其中，cv2.rectangle()完成画框的工作，在这里我有意识的外扩了10个像素以框出比人脸稍大一点的区域。cv2.rectangle()函数的最后两个参数一个用于指定矩形边框的颜色，一个用于指定矩形边框线条的粗细程度。
好了，人脸识别的事说清楚了，下一篇该讲讲如何准备训练数据了，只有训练数据足够多，我们的程序才能识别出这是谁，而不是无论青红皂白框个人脸就完事。
总结
以上就是本文关于python实现人脸识别代码的全部内容，希望对大家有所帮助。有什么问题可以随时留言，小编会及时回复大家的。感谢朋友们对本站的支持！
原文链接：/neo-T/p/6430583.html
