人脸检测
级联分离器
具体实现
实例（人脸检测）
本实例对合照图片进行人脸检测，并圈出人脸位置，使用的OpenCV自带的级联分类器可从OpenCV源文件的data目录下，加载不同的级联分类器的XML文件对不同对象的检测。
代码实现
python
python
# 导入OpenCV库，用于计算机视觉任务，如读取图像、图像处理和显示图像等
import cv2
# 使用cv2.imread函数读取指定路径下的图像文件 'hezhao.jpg'
# 读取后的图像数据将存储在变量image中，图像以BGR（蓝、绿、红）格式存储
image = cv2.imread('hezhao.jpg')
# 将彩色图像转换为灰度图像
# cv2.cvtColor函数用于颜色空间转换，这里将BGR格式的图像转换为灰度图像
# 因为在人脸检测中，灰度图像能减少计算量，并且很多人脸检测算法都是基于灰度图像进行的
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 加载预训练的人脸级联分类器
# cv2.CascadeClassifier函数用于加载Haar级联分类器，这里加载的是默认的正面人脸检测分类器
# 注意：路径中的反斜杠需要使用双反斜杠或原始字符串（在字符串前加r）来避免转义问题
# 这里使用的是绝对路径，指向Python环境中OpenCV库自带的分类器文件
faceCascade = cv2.CascadeClassifier('D:\Python310\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml')
# 使用人脸级联分类器在灰度图像中检测人脸
# detectMultiScale函数是人脸检测的核心函数，它会返回检测到的人脸的矩形区域
# scaleFactor=1.05：图像缩放比例，该值越接近1，检测越精确，但速度越慢；值越大，检测速度越快，但可能会漏检
# minNeighbors=10：每个候选矩形应该保留的邻居数，该值越大，误检率越低，但可能会漏检
# minSize=(8, 8)：检测窗口的最小尺寸，小于该尺寸的人脸将不会被检测到
faces = faceCascade.detectMultiScale(gray, scaleFactor=1.05, minNeighbors=10, minSize=(8, 8))
# 打印检测到的人脸数量
# 使用format方法将检测到的人脸数量插入到字符串中
print('发现{0}张人脸！'.format(len(faces)))
# 打印检测到的人脸的位置信息
# faces是一个二维数组，每行包含四个值：人脸矩形区域的左上角坐标(x, y)以及宽度w和高度h
print('其位置分别是：', faces)
# 遍历检测到的所有人脸的矩形区域
# 对于每个矩形区域，使用cv2.rectangle函数在原始彩色图像上绘制绿色矩形框
# (x, y)：矩形的左上角坐标
# (x + w, y + h)：矩形的右下角坐标
# (0, 255, 0)：矩形的颜色，这里是绿色（BGR格式）
# 2：矩形框的线宽
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
# 显示绘制了矩形框的图像
# cv2.imshow函数用于显示图像，第一个参数是窗口的名称，第二个参数是要显示的图像
cv2.imshow('result', image)
# 等待用户按键
# cv2.waitKey(0)表示无限等待，直到用户按下任意键
cv2.waitKey(0)
# 关闭所有OpenCV打开的窗口
# 释放相关资源
cv2.destroyAllWindows()结果：
