借助 OpenCV 库实现实时的脸部识别

代码整体功能概述

这段 Python 代码借助 OpenCV 库实现了一个实时的脸部识别程序，同时简单模拟了姿势检测功能。它会开启计算机的摄像头，持续读取视频帧，对每一帧画面进行脸部检测，若检测到脸部就绘制矩形框标记出来，并且在画面上显示检测到的类别信息，最后按 q 键可以退出程序。

代码详细说明

1. 导入必要的库

python

import cv2

• 功能：导入 OpenCV 库，该库是一个强大的计算机视觉库，提供了诸多图像处理和计算机视觉算法。

2. 加载脸部识别模型

python

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

• 功能 ：使用 cv2.CascadeClassifier 类加载预训练的 Haar 级联分类器模型，此模型用于检测正面人脸。cv2.data.haarcascades 是 OpenCV 自带的 Haar 级联分类器文件所在的目录，haarcascade_frontalface_default.xml 是正面人脸检测的模型文件。

3. 打开摄像头

python

cap = cv2.VideoCapture(0)

• 功能 ：使用 cv2.VideoCapture 类打开计算机的默认摄像头（设备编号为 0）。若存在多个摄像头，可通过修改设备编号来选择不同的摄像头。

4. 循环读取视频帧并处理

python

while True:
    # 读取摄像头的一帧画面
    ret, frame = cap.read()
    if not ret:
        break

• 功能 ：开启一个无限循环，持续从摄像头读取视频帧。cap.read() 方法会返回两个值，ret 是一个布尔值，表示是否成功读取到帧；frame 是读取到的视频帧图像。若 ret 为 False，则说明无法读取到帧，此时跳出循环。

5. 将图像转换为灰度图

python

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

• 功能 ：使用 cv2.cvtColor 方法将读取到的彩色图像（BGR 格式）转换为灰度图像。因为 Haar 级联分类器在灰度图像上的检测效果更好，并且处理灰度图像的速度更快。

6. 初始化检测到的类别列表

python

detected_classes = []

• 功能 ：创建一个空列表 detected_classes，用于存储检测到的类别信息。

7. 脸部检测

python

faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
if len(faces) > 0:
    for (x, y, w, h) in faces:
        # 绘制脸部矩形框
        cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)
    detected_classes.append("Face")

• 功能 ：
  • face_cascade.detectMultiScale 方法用于在灰度图像上进行脸部检测。scaleFactor=1.1 表示每次图像缩放的比例；minNeighbors=5 表示每个候选矩形框需要满足的最小邻居数；minSize=(30, 30) 表示检测到的人脸的最小尺寸。
  • 若检测到人脸（即 faces 列表的长度大于 0），则遍历 faces 列表，使用 cv2.rectangle 方法在原始彩色图像上绘制蓝色（BGR 格式为 (255, 0, 0)）的矩形框来标记人脸，矩形框的左上角坐标为 (x, y)，宽度为 w，高度为 h，线宽为 2。
  • 最后将 "Face" 添加到 detected_classes 列表中。

8. 姿势检测（简单模拟）

python

if len(detected_classes) > 0:
    detected_classes.append("Possible Pose")

• 功能 ：简单模拟姿势检测功能。若检测到了脸部（即 detected_classes 列表的长度大于 0），则将 "Possible Pose" 添加到 detected_classes 列表中。需要注意的是，OpenCV 原生对姿势检测的功能较弱，这里只是给出一个提示信息，若需要更精确的姿势检测，可以使用更专业的库，如 mmpose。

9. 显示检测到的类别信息

python

if detected_classes:
    classes_text = ", ".join(detected_classes)
    cv2.putText(frame, f"Detected: {classes_text}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

• 功能 ：若 detected_classes 列表不为空，则将列表中的元素用逗号连接成一个字符串 classes_text。然后使用 cv2.putText 方法在原始彩色图像的左上角（坐标为 (10, 30)）显示检测到的类别信息，字体为 cv2.FONT_HERSHEY_SIMPLEX，字体大小为 1，颜色为绿色（BGR 格式为 (0, 255, 0)），线宽为 2。

10. 显示处理后的图像

python

cv2.imshow('Combined Detection', frame)

• 功能 ：使用 cv2.imshow 方法显示处理后的图像，窗口标题为 "Combined Detection"。

11. 按 q 键退出循环

python

if cv2.waitKey(1) & 0xFF == ord('q'):
    break

• 功能 ：使用 cv2.waitKey(1) 方法等待 1 毫秒，检测是否有按键事件发生。& 0xFF 是为了确保只获取按键的低 8 位。若按下的键是 q，则跳出循环。

12. 释放摄像头并关闭所有窗口

python

cap.release()
cv2.destroyAllWindows()

• 功能 ：
  • cap.release() 方法用于释放摄像头资源。
  • cv2.destroyAllWindows() 方法用于关闭所有由 OpenCV 打开的窗口。

import cv2

# 加载脸部识别模型
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    # 读取摄像头的一帧画面
    ret, frame = cap.read()
    if not ret:
        break

    # 将图像转换为灰度图，因为 Haar 级联分类器在灰度图上效果更好
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    detected_classes = []

    # 脸部检测
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
    if len(faces) > 0:
        for (x, y, w, h) in faces:
            # 绘制脸部矩形框
            cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)
        detected_classes.append("Face")

    # 姿势检测（简单模拟）
    # 这里仅作提示信息，opencv 原生对姿势检测功能弱
    # 你可以根据需求使用更专业的库如 mmpose 等实现
    if len(detected_classes) > 0:
        detected_classes.append("Possible Pose")

    # 显示检测到的类别信息
    if detected_classes:
        classes_text = ", ".join(detected_classes)
        cv2.putText(frame, f"Detected: {classes_text}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

    # 显示处理后的图像
    cv2.imshow('Combined Detection', frame)

    # 按 'q' 键退出循环
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头并关闭所有窗口
cap.release()
cv2.destroyAllWindows()