前言
随着科技的发展，人脸识别技术在许多领域得到的非常广泛的应用，手机支付、银行身份验证、手机人脸解锁等等。
识别
废话少说，这里我们使用 opencv 中自带了 haar人脸特征分类器，利用训练好的 haar 特征的 xml 文件，在图片上检测出人脸的坐标，利用这个坐标，我们可以将人脸区域剪切保存，也可以在原图上将人脸框出。
代码实现：
# -*-coding:utf8-*-#import osimport cv2from PIL import Image, ImageDrawfrom datetime import datetime"""分类器 https://github.com/opencv/opencv/tree/master/data/haarcascades安装模块：pip install Pillow pip install opencv-python博客：https://blog.52itstyle.vip/archives/3771/"""def detectFaces(image_name): img = cv2.imread(image_name) face_cascade = cv2.CascadeClassifier(os.getcwd()+"\\haarcascade\\haarcascade_frontalface_alt.xml") if img.ndim == 3: gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) else: gray = img # if语句：如果img维度为3，说明不是灰度图，先转化为灰度图gray，如果不为3，也就是2，原图就是灰度图 faces = face_cascade.detectMultiScale(gray, 1.2, 5) # 1.3和5是特征的最小、最大检测窗口，它改变检测结果也会改变 result = [] for (x, y, width, height) in faces: result.append((x, y, x + width, y + height)) return result# 保存人脸图def saveFaces(image_name): faces = detectFaces(image_name) if faces: # 将人脸保存在save_dir目录下。 # Image模块：Image.open获取图像句柄，crop剪切图像(剪切的区域就是detectFaces返回的坐标)，save保存。 save_dir = image_name.split('.')[0] + "_faces" os.mkdir(save_dir) count = 0 for (x1, y1, x2, y2) in faces: file_name = os.path.join(save_dir, str(count) + ".jpg") Image.open(image_name).crop((x1, y1, x2, y2)).save(file_name) count += 1if __name__ == '__main__': time1 = datetime.now() result = detectFaces(os.getcwd()+"\\images\\gaoyuanyuan.jpg") time2 = datetime.now() print("耗时：" + str(time2 - time1)) if len(result) > 0: print("有人存在！！---》人数为：" + str(len(result))) else: print('视频图像中无人！！') drawFaces(os.getcwd()+"\\images\\", "hanxue.jpg") saveFaces(os.getcwd()+"\\images\\gaoyuanyuan.jpg") 识别效果图：
多人识别效果：
经过测试，最终选用了 haarcascade_frontalface_alt.xml 做人脸识别，识别率最高。
人脸检测分类器对比：
| 级联分类器的类型 | XML文件名 |
|---|---|
| 人脸检测器（默认） | haarcascade_frontalface_default.xml |
| 人脸检测器（快速的Haar） | haarcascade_frontalface_alt2.xml |
| 人脸检测器（Tree） | haarcascade_frontalface_alt_tree.xml |
| 人脸检测器（Haar_1） | haarcascade_frontalface_alt.xml |
小结
开源的人脸检测分类器对于标准的人脸识别足够了，要想精确识别比如，侧脸、模糊、光照、遮挡的人脸，只能通过深度机器学习进一步优化识别精度和速度。