基于OpenCV和 Python的人脸识别实现方案
下午的时候，配好了opencv的python环境，opencv的python环境搭建。于是迫不及待的想体验一下opencv的人脸识别，如下文。
必备知识 haar-like
haar-like百科释义。通俗的来讲，就是作为人脸特征即可。
haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。
opencv api
要想使用opencv，就必须先知道其能干什么，怎么做。于是api的重要性便体现出来了。就本例而言，使用到的函数很少，也就普通的读取图片，灰度转换，显示图像，简单的编辑图像罢了。
如下：
读取图片
只需要给出待操作的图片的路径即可。
import cv2image = cv2.imread(imagepath)
灰度转换
灰度转换的作用就是：转换成灰度的图片的计算强度得以降低。
import cv2gray = cv2.cvtcolor(image,cv2.color_bgr2gray)
画图
opencv 的强大之处的一个体现就是其可以对图片进行任意编辑，处理。下面的这个函数最后一个参数指定的就是画笔的大小。
import cv2cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2)
显示图像
编辑完的图像要么直接的被显示出来，要么就保存到物理的存储介质。
import cv2cv2.imshow(image title,image)
获取人脸识别训练数据
看似复杂，其实就是对于人脸特征的一些描述，这样opencv在读取完数据后很据训练中的样品数据，就可以感知读取到的图片上的特征，进而对图片进行人脸识别。
import cv2face_cascade = cv2.cascadeclassifier(r'./haarcascade_frontalface_default.xml')
里卖弄的这个xml文件，就是opencv在github上共享出来的具有普适的训练好的数据。我们可以直接的拿来使用。
训练数据参考地址：
https://github.com/opencv/opencv/tree/master/data/haarcascades
探测人脸
说白了，就是根据训练的数据来对新图片进行识别的过程。
import cv2
# 探测图片中的人脸
faces = face_cascade.detectmultiscale( gray, scalefactor = 1.15, minneighbors = 5, minsize = (5,5), flags = cv2.cv.cv_haar_scale_image)
我们可以随意的指定里面参数的值，来达到不同精度下的识别。返回值就是opencv对图片的探测结果的体现。
处理人脸探测的结果
结束了刚才的人脸探测，我们就可以拿到返回值来做进一步的处理了。但这也不是说会多么的复杂，无非添加点特征值罢了。
import cv2
print 发现{0}个人脸!.format(len(faces))
for(x,y,w,h) in faces: cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2)
实例 有了刚才的基础，我们就可以完成一个简单的人脸识别的小例子了。
图片素材
下面的这张图片将作为我们的检测依据。
人脸检测代码
# coding:utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf8')
# __author__ = '郭 璞'
# __date__ = '2016/9/5'
# __desc__ = 人脸检测小例子，以圆圈圈出人脸
import cv2
# 待检测的图片路径
imagepath = r'./heat.jpg'
# 获取训练好的人脸的参数数据，这里直接从github上使用默认值
face_cascade = cv2.cascadeclassifier(r'./haarcascade_frontalface_default.xml')
# 读取图片
image = cv2.imread(imagepath)
gray = cv2.cvtcolor(image,cv2.color_bgr2gray)
# 探测图片中的人脸
faces = face_cascade.detectmultiscale(
gray,
scalefactor = 1.15,
minneighbors = 5,
minsize = (5,5),
flags = cv2.cv.cv_haar_scale_image
)
print 发现{0}个人脸!.format(len(faces))
for(x,y,w,h) in faces:
# cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2)
cv2.circle(image,((x+x+w)/2,(y+y+h)/2),w/2,(0,255,0),2)
cv2.imshow(find faces!,image)
cv2.waitkey(0)
人脸检测结果
输出图片：
输出结果：
d:softwarepython2python.exe e:/code/python/datastructor/opencv/demo.py发现3个人脸!
总结 回顾一下，这次的实验就是简单的对opencv的常用的api的使用，重点在于训练数据的使用和人脸探测的处理。
下午的时候，配好了opencv的python环境，opencv的python环境搭建。于是迫不及待的想体验一下opencv的人脸识别，如下文。
一切皆有可能，戴上览邦WACH MAX-A90，让您体验智慧新生活新乐趣
长飞先进获A轮融资，拟60亿元建第三代半导体功率器件项目
3D打印技术打造新型人工耳，能用于医学移植吗？
低成本，低功耗仪表放大器AD623电路设计案例
舒尔KSE1200静电耳机评测 超震撼的声场让耳朵怀孕了
基于OpenCV和 Python的人脸识别实现方案
苹果iPad将在未来引入M系列处理器
一种来开发重视员工能力的AR技术方法
7月研讨会上线！东芝邀您观看 小型低损耗负载开关电路的设计要点—MOSFET栅极驱动IC的基础知识及应用
中国成功研发出新型近红外二区荧光成像系统及手术导航技术
三大运营商持证上岗带来了什么变化
一款新颖廉价的无线数字音频广播系统,Broadcasting system
教你如何降低CPU散热风扇噪声
掌阅iReaderPlus电纸书阅读器到底值不值得买
慕尼黑上海电子展优质产品分类
华为在5G通信设备市场上的份额不敌三星爱立信和诺基亚处于全球第四
PCB继电器的测试方法有哪些
Kiuwan开发者预防SQL注入攻击的5大最佳实践
GAAFET，是什么技术？
三菱电机助力数据中心带来高效节能大功率UPS系统
必备知识 haar-like
haar-like百科释义。通俗的来讲，就是作为人脸特征即可。
haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。
opencv api
要想使用opencv，就必须先知道其能干什么，怎么做。于是api的重要性便体现出来了。就本例而言，使用到的函数很少，也就普通的读取图片，灰度转换，显示图像，简单的编辑图像罢了。
如下：
读取图片
只需要给出待操作的图片的路径即可。
import cv2image = cv2.imread(imagepath)
灰度转换
灰度转换的作用就是：转换成灰度的图片的计算强度得以降低。
import cv2gray = cv2.cvtcolor(image,cv2.color_bgr2gray)
画图
opencv 的强大之处的一个体现就是其可以对图片进行任意编辑，处理。下面的这个函数最后一个参数指定的就是画笔的大小。
import cv2cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2)
显示图像
编辑完的图像要么直接的被显示出来，要么就保存到物理的存储介质。
import cv2cv2.imshow(image title,image)
获取人脸识别训练数据
看似复杂，其实就是对于人脸特征的一些描述，这样opencv在读取完数据后很据训练中的样品数据，就可以感知读取到的图片上的特征，进而对图片进行人脸识别。
import cv2face_cascade = cv2.cascadeclassifier(r'./haarcascade_frontalface_default.xml')
里卖弄的这个xml文件，就是opencv在github上共享出来的具有普适的训练好的数据。我们可以直接的拿来使用。
训练数据参考地址：
https://github.com/opencv/opencv/tree/master/data/haarcascades
探测人脸
说白了，就是根据训练的数据来对新图片进行识别的过程。
import cv2
# 探测图片中的人脸
faces = face_cascade.detectmultiscale( gray, scalefactor = 1.15, minneighbors = 5, minsize = (5,5), flags = cv2.cv.cv_haar_scale_image)
我们可以随意的指定里面参数的值，来达到不同精度下的识别。返回值就是opencv对图片的探测结果的体现。
处理人脸探测的结果
结束了刚才的人脸探测，我们就可以拿到返回值来做进一步的处理了。但这也不是说会多么的复杂，无非添加点特征值罢了。
import cv2
print 发现{0}个人脸!.format(len(faces))
for(x,y,w,h) in faces: cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2)
实例 有了刚才的基础，我们就可以完成一个简单的人脸识别的小例子了。
图片素材
下面的这张图片将作为我们的检测依据。
人脸检测代码
# coding:utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf8')
# __author__ = '郭 璞'
# __date__ = '2016/9/5'
# __desc__ = 人脸检测小例子，以圆圈圈出人脸
import cv2
# 待检测的图片路径
imagepath = r'./heat.jpg'
# 获取训练好的人脸的参数数据，这里直接从github上使用默认值
face_cascade = cv2.cascadeclassifier(r'./haarcascade_frontalface_default.xml')
# 读取图片
image = cv2.imread(imagepath)
gray = cv2.cvtcolor(image,cv2.color_bgr2gray)
# 探测图片中的人脸
faces = face_cascade.detectmultiscale(
gray,
scalefactor = 1.15,
minneighbors = 5,
minsize = (5,5),
flags = cv2.cv.cv_haar_scale_image
)
print 发现{0}个人脸!.format(len(faces))
for(x,y,w,h) in faces:
# cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2)
cv2.circle(image,((x+x+w)/2,(y+y+h)/2),w/2,(0,255,0),2)
cv2.imshow(find faces!,image)
cv2.waitkey(0)
人脸检测结果
输出图片：
输出结果：
d:softwarepython2python.exe e:/code/python/datastructor/opencv/demo.py发现3个人脸!
总结 回顾一下，这次的实验就是简单的对opencv的常用的api的使用，重点在于训练数据的使用和人脸探测的处理。
下午的时候，配好了opencv的python环境，opencv的python环境搭建。于是迫不及待的想体验一下opencv的人脸识别，如下文。
一切皆有可能，戴上览邦WACH MAX-A90，让您体验智慧新生活新乐趣
长飞先进获A轮融资，拟60亿元建第三代半导体功率器件项目
3D打印技术打造新型人工耳，能用于医学移植吗？
低成本，低功耗仪表放大器AD623电路设计案例
舒尔KSE1200静电耳机评测 超震撼的声场让耳朵怀孕了
基于OpenCV和 Python的人脸识别实现方案
苹果iPad将在未来引入M系列处理器
一种来开发重视员工能力的AR技术方法
7月研讨会上线！东芝邀您观看 小型低损耗负载开关电路的设计要点—MOSFET栅极驱动IC的基础知识及应用
中国成功研发出新型近红外二区荧光成像系统及手术导航技术
三大运营商持证上岗带来了什么变化
一款新颖廉价的无线数字音频广播系统,Broadcasting system
教你如何降低CPU散热风扇噪声
掌阅iReaderPlus电纸书阅读器到底值不值得买
慕尼黑上海电子展优质产品分类
华为在5G通信设备市场上的份额不敌三星爱立信和诺基亚处于全球第四
PCB继电器的测试方法有哪些
Kiuwan开发者预防SQL注入攻击的5大最佳实践
GAAFET，是什么技术？
三菱电机助力数据中心带来高效节能大功率UPS系统