引言

这篇文章，让你用短短的16行代码基于opencv检测一张图片上的人脸，很有意思，快快学起来吧！

一、代码

先将代码直接粘在下面：

1. import cv2 as cv
2. 
3. 
4. def face_detect_demo(img):
5.     img = cv.resize(img, dsize=(800, 800))
6.     gary = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
7.     face_detect = cv.CascadeClassifier("D:/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml")
8.     face = face_detect.detectMultiScale(gary, 1.004, 28, 0, (40, 40), (50, 50))
9. for x, y, w, h in face:
10.         cv.rectangle(img, (x, y), (x + w, y + h), color=(0, 0, 225), thickness=4)
11.     cv.imshow("result", img)
12. # img.save("result.jpg")  # 保存图片
13.     cv.imwrite(r"final_result.jpg", img)
14. 
15. img = cv.imread("photo.jpg")
16. face_detect_demo(img)  # 检测单个图片
17. 
18. while True:
19. if ord("q") == cv.waitKey(1):
20. break
21. cv.destroyAllWindows()

二、运行效果

原图片：

识别之后的图片（得自己调参）：

三、代码解读

• 首先导入我们所需要的必要包opencv，对应指令为import cv2 as cv，这里的as就相当于给这个模块起了个别名。如果读者opencv还没有安装的话，可以在终端里面pip install opencv，还不行的话可以看看这个教程：Opencv安装小白教程
• 首先，我们定义一个函数face_detect_demo，这个函数有一个参数img，即我们要检测的图片，这是一个形参。
• 调用cv里面的函数resize，改变图片的大小。resize第一个参数是要处理的图片，第二个参数是你想要改成图片的大小，这里的（800，800）就是改成800*800的这样一张图片。处理的结果再返回给img，当然，如果你喜欢的话也可以另外设一个变量，传进去。
• 接下来更改图片颜色，直接调用cvtColor函数，同样，第一个参数是要处理的图片，第二个参数是要更改的颜色类型，这里的颜色类型有很多种，我这里设置的是COLOR_BGR2GRAY类型。
• 前两步，你可以理解为将图片标准化，即传入不同大小，不同颜色的图片可以转化成同一大小，同一颜色类型的图片。这样的操作好处在于后面调参数更容易。
• 重头戏来了！，这是opencv官方已经训练好的一个人脸检测模型，直接调用就可以，非常方便！文章最后有文件和代码提取链接，也有一些其他训练好的模型，如果感兴趣的话你也可以试一试其他模型。
• 接着，我们检测图片中的人脸，face_detect.detectMultiScale，就是调用模型里面的detectMultiScale。第一个参数gray是要处理的图片，第二个参数是，第三个参数28意思是检测的时候，30次都在同一个位置检测到人脸；这个值高，模型就需要反复验证。第四个参数是。第五个参数是最小矩形框大小，第六个参数是最大矩形框大小。这六个参数需要自己去调，以求最佳匹配。detectMultiScale方法会直接用该模型检测图片，并返回多个x，y，w，h。（x，y）是左顶点的坐标，w是矩形框的宽度，h是矩形框的高度。
• for循环的功能就是在原来的图片上面绘制矩形框啦，对应的函数是cv.rectangle，这里面的参数很简单就不一一介绍了。
• cv.imshow进行展示，cv.imwrite进行保存，注意imwrite保存图片时，命名要加上.jpg
• 函数到此结束，接下来是调用函数：
• 首先读取图片，由于我把程序和图片放在一个文件夹，可以直接用名字去读，如果你没有放在一个文件家里面，要用绝对路径去读取。
• 调用上面写好的函数去检验人脸
• 最后做一个键盘的关联事件退出，，按下键盘q键会退出循环，程序结束。别忘了用cv.destroyAllWindows销毁所以窗口哦。

四、一些思考

我感觉这是一个很有意思的demo，虽然没有什么技术含量，没有数据获取，数据处理，数据训练，模型验证…但是，他能让我们看到cv的强大，如果计算机视觉没有opencv，很多简单的功能将变得复杂，当opencv+openmv，我们能做很多我们感兴趣的事。

回到这个人脸检测里面去，为什么叫人脸检测不叫人脸识别呢？因为这个demo只能够知道图片里有几个人，至于他们到底分别是谁就没有办法知道了。

如果加上神经网络又会怎么样呢？比如现在我有A这个人的大量图片，用神经网络进行训练，让计算机能够认出他。那么在一张合照里面，计算机能够很快认出哪个是A，并把他框选出来。

那么到底有什么用呢？畅想未来：

现在有很多重要犯罪嫌疑人逍遥法外，如果能将他的人脸数据训练出来的模型传到全国各地的摄像头中，无论在哪，只要摄像头检测到他的人脸就把地址信息发回警局，这样是不是就能即使抓捕他。

儿童拐卖同样是一个社会热点，现在也有很多网站在帮助找被拐卖的儿童。父母主要是通过网站上上传的照片去猜测这到底是不是他的孩子。但是很多照片都是孩子被拐卖两三年甚至五年十年之后的照片了，就连是亲生父母都很难辨认。如果能用深度学习，强化学习，根据小时候的照片训练出来的模型去匹配网站上的照片，将匹配结果高的反馈给父母，这样父母和子女是不是更容易重逢呢？当然这只是我的猜想。

人脸作为我们的生物密码给我们带来了不少便利，比如说手机一键解锁，支付宝一键支付，各种门禁刷脸进入。“刷脸”逐渐渗透到我们生活，我们的人脸数据不断传入互联网中，互联网的数据库越来越丰富，对应背后的产业链也越来越发达，面部识别并不是一项全新的技术，但人工智能和机器学习不断使面部识别变得更强大。

文件链接：

https://pan.baidu.com/s/1FV3NWT3Vayq3eKq2QsB3mg?pwd=tsvd 

提取码：tsvd