如何在python中使用OpenCV检测人脸

这期内容当中小编将会给大家带来有关如何在python中使用OpenCV检测人脸，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

Python的优点有哪些

1、简单易用，与C/C++、Java、C# 等传统语言相比，Python对代码格式的要求没有那么严格；2、Python属于开源的，所有人都可以看到源代码，并且可以被移植在许多平台上使用；3、Python面向对象，能够支持面向过程编程,也支持面向对象编程；4、Python是一种解释性语言，Python写的程序不需要编译成二进制代码，可以直接从源代码运行程序；5、Python功能强大，拥有的模块众多，基本能够实现所有的常见功能。

人脸识别模块特征

是用一系列分好类的图像来“训练”程序，并基于这些图像来进行识别。这就是OpenCV 及其人脸识别模块进行人脸识别的过程。 

每个识别都具有转置信（confidence）评分，因此可在实际应用中通过对其设置阈值来进行筛选。

人脸识别两种方式

自己获得图像或从人脸数据库免费获得可用的人脸图像。

互联网上有许多人脸数据库：为了对这些样本进行人脸识别，必须要在包含人脸的样本图像上进行人脸识别。这是一 个学习的过程，但并不像自己提供的图像那样令人满意。

python中OpenCV的人脸检测功能操作实例

import osimport cv2from PIL import Imageimport numpy as npdef getImageAndLabels(path):    facesSamples = []    ids = []    imagePaths = [os.path.join(path, f) for f in os.listdir(path)]    # 检测人脸    # 加载特征数据    face_detector = cv2.CascadeClassifier(        'D:/Python/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')    # 参数： scaleFactor(比例因子)：图片缩放多少，minNeighbors:至少检测多少次，minSize maxSize:当前检测区域的最大最小面积    # scaleFactor=1.01, minNeighbors=3, maxSize=(33, 33), minSize=(28, 28)    # 遍历列表中的图片    for imagePath in imagePaths:        # 打开当前图片        PIL_img = Image.open(imagePath).convert('L')        # 将图片转化为数组        img_numpy = np.array(PIL_img, 'uint8')        faces = face_detector.detectMultiScale(img_numpy)        # 获取每张图片的id        id = int(os.path.split(imagePath)[1].split('.')[0])        # 获取人脸区域        for x, y, w, h in faces:            # 进行切片处理,获取图像数组和id            facesSamples.append(img_numpy[y:y+h, x:x+w])            ids.append(id)        return facesSamples, idsif __name__ == '__main__':    # 图片路径    path = './data/jm/'    # 获取图像数组和id标签数组    faces, ids = getImageAndLabels(path)    # 获取循环对象    recognizer = cv2.face.LBPHFaceRecognizer_create()    recognizer.train(faces, np.array(ids))    # 保存文件    recognizer.write('trainer/trainer.yml')

上述就是小编为大家分享的如何在python中使用OpenCV检测人脸了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注编程网Python频道。