OpenCV学习：dlib 人脸检测

前言：上一篇我们学习了基于 OpenCV 的人脸识别。本篇我们将引入一个新的计算机视觉库------dlib，学习它在人脸检测中的应用。dlib 使用 HOG 特征 + 线性分类器，检测效果优于 OpenCV 的 Haar 级联分类器，是人脸检测与关键点检测的常用工具。

一、dlib 库简介

1.1 什么是 dlib？

dlib 是一个现代化的 C++ 工具库，包含机器学习算法和计算机视觉工具。在 Python 中可以通过 pip 安装使用。dlib 在人脸检测和人脸关键点检测方面精度更高。

1.2 dlib 人脸检测原理

dlib 的 get_frontal_face_detector() 基于以下技术：

技术	说明
HOG 特征	方向梯度直方图，提取图像边缘和纹理特征
线性分类器	对 HOG 特征进行分类判断
金字塔图像结构	多尺度检测不同大小的人脸
滑动窗口	在图像上滑动检测人脸

相比 OpenCV 的 Haar 级联分类器，dlib 的检测效果更准确，误检率更低。

二、dlib 环境搭建

2.1 版本要求

依赖	推荐版本	说明
Python	3.6 ~ 3.12	dlib 针对不同 Python 版本有对应的安装包
NumPy	1.x（推荐 1.26）	NumPy 2.0 与部分 dlib 版本不兼容
OpenCV	4.x	不要使用 OpenCV 5.0 以上版本

2.2 安装方式

方式一：使用 conda 安装（推荐）

bash 复制代码

conda install -c conda-forge dlib

方式二：pip 在线安装

bash 复制代码

pip install cmake
pip install dlib

注意：dlib 需要 CMake 和 C++ 编译环境，pip 直接安装可能失败。建议优先使用 conda。

方式三：离线安装（推荐 Windows 用户）

如果你的 Python 版本和系统不匹配在线安装，可以使用离线 whl 文件安装。以下是不同 Python 版本对应的 dlib 安装包：

文件名	Python 版本	说明
`dlib-19.19.0-cp36-cp36m-win_amd64.whl`	Python 3.6	适用于 3.6 版本
`dlib-19.19.0-cp37-cp37m-win_amd64.whl`	Python 3.7	适用于 3.7 版本
`dlib-19.19.0-cp38-cp38-win_amd64.whl`	Python 3.8	适用于 3.8 版本
`dlib-19.22.1-cp39-cp39-win_amd64.whl`	Python 3.9	适用于 3.9 版本
`dlib-19.22.99-cp310-cp310-win_amd64.whl`	Python 3.10	适用于 3.10 版本
`dlib-19.24.1-cp311-cp311-win_amd64.whl`	Python 3.11	适用于 3.11 版本
`dlib-19.24.2-cp312-cp312-win_amd64.whl`	Python 3.12	适用于 3.12 版本

离线安装步骤：

bash 复制代码

# 先查看自己的 Python 版本
python --version

# 根据版本选择对应的 whl 文件，例如 Python 3.11
pip install dlib-19.24.1-cp311-cp311-win_amd64.whl

怎么看文件名 ：cp311 表示 Python 3.11，win_amd64 表示 Windows 64 位系统。选择与自己 Python 版本一致的 whl 文件即可。

2.3 验证安装

python 复制代码

import dlib
print(dlib.__version__)

三、dlib 图片人脸检测

3.1 完整代码

python 复制代码

import cv2
import dlib
import numpy as np

# get_frontal_face_detector() 生成人脸检测器
# 使用 HOG 算法、线性分类器、金字塔图像结构和滑动窗口检测等技术
# 比 OpenCV 提供的 Haar 级联分类器效果更好
detector = dlib.get_frontal_face_detector()

# 读取图片
img = cv2.imread("faces.png")
img = cv2.resize(img, (0, 0), fx=0.5, fy=0.5)

# 参数：
#   image：待检测的可能含有人脸的图像
#   n：表示采用上采样的次数。上采样会让图像变大，能够检测到更多人脸对象，
#      提高小人脸的检测效果。通常建议将此参数设置为 0 或 1。
#      较大的值会增加检测的准确性，但会降低处理速度。
# 返回值 faces：返回检测图像中的所有人脸框
faces = detector(img, 0)

for face in faces:
    # 获取人脸框的坐标
    x1 = face.left()
    y1 = face.top()
    x2 = face.right()
    y2 = face.bottom()
    # 绘制人脸框
    cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)

cv2.imshow("img", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.2 关键函数说明

函数	说明
`dlib.get_frontal_face_detector()`	创建 HOG 人脸检测器
`detector(img, 0)`	检测图像中的人脸，返回人脸框列表
`face.left()`	人脸框左边界坐标
`face.top()`	人脸框上边界坐标
`face.right()`	人脸框右边界坐标
`face.bottom()`	人脸框下边界坐标

四、dlib vs OpenCV 人脸检测对比

4.1 完整代码

python 复制代码

import cv2
import dlib

# OpenCV Haar 级联分类器
face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)

# dlib HOG 检测器
detector = dlib.get_frontal_face_detector()

cap = cv2.VideoCapture(0)

if not cap.isOpened():
    print("Cannot open camera")
    exit()

while True:
    ret, image = cap.read()
    if not ret:
        print("不能读取摄像头")
        break

    img = image.copy()

    # ---------- OpenCV 检测 ----------
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    faces_cv = face_cascade.detectMultiScale(gray, 1.05, 9, minSize=(20, 20))
    for (x, y, w, h) in faces_cv:
        cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
    cv2.imshow('opencv', image)

    # ---------- dlib 检测 ----------
    faces_dlib = detector(img, 0)
    for face in faces_dlib:
        x1 = face.left()
        y1 = face.top()
        x2 = face.right()
        y2 = face.bottom()
        cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
    cv2.imshow("dlib", img)

    if cv2.waitKey(1) == 27:
        break

cap.release()
cv2.destroyAllWindows()

4.2 两种检测器对比

对比维度	OpenCV Haar	dlib HOG
检测原理	Haar 特征 + 级联分类器	HOG 特征 + 线性分类器
检测效果	一般，误检较多	更准确，误检更少
检测速度	快	稍慢
侧脸检测	差	较好
小脸检测	一般	较好
鲁棒性	对光照敏感	对光照较鲁棒
适用场景	实时性要求高的场景	准确性要求高的场景

总结：dlib 的检测效果明显优于 OpenCV Haar，但速度略慢。实际项目中可根据需求选择。

五、总结

核心函数速查

函数	用途
`dlib.get_frontal_face_detector()`	创建人脸检测器
`detector(image, n)`	检测人脸，返回人脸框列表
`face.left() / top() / right() / bottom()`	人脸框坐标

版本要求速查

依赖	推荐版本
Python	3.6 ~ 3.12
NumPy	1.x（推荐 1.26）
OpenCV	4.x（不要 5.0 以上）
dlib	19.19 ~ 19.24.2

注意事项

要点	说明
NumPy 版本	使用 1.x，推荐 1.26，避免 2.0 的兼容性问题
OpenCV 版本	不要使用 5.0 以上版本
安装方式	优先使用 conda 安装，或使用离线 whl 文件
上采样参数	`detector(img, 0)` 中的 0 表示不上采样，检测速度快；设为 1 可提高小脸检测率
灰度图	dlib 虽然可以直接处理彩色图，但转灰度图后检测速度更快

系列直达

上篇：OpenCV学习：人脸识别
本篇：OpenCV学习：dlib 人脸检测（本文）
下篇：OpenCV学习：dlib 人脸关键点检测

OpenCV学习：dlib 人脸检测