python学opencv|读取图像（七十一）使用cv2.CascadeClassifier()函数+detectMultiScale()函数实现图像中的人脸检测

【1】引言

前序学习进程中，已经对图像检测有了各式各样的探究，相关文章包括且不限于：

python学opencv|读取图像（六十四）使用cv2.findContours()函数+cv2.drawContours()函数实现图像轮廓识别和标注-CSDN博客

python学opencv|读取图像（六十五）使用cv2.boundingRect()函数实现图像轮廓矩形标注-CSDN博客

python学opencv|读取图像（六十六）使用cv2.minEnclosingCircle函数实现图像轮廓圆形标注-CSDN博客

python学opencv|读取图像（六十七）使用cv2.convexHull()函数实现图像轮廓凸包标注-CSDN博客

python学opencv|读取图像（六十八）使用cv2.Canny()函数实现图像边缘检测-CSDN博客 

python学opencv|读取图像（六十九）使用cv2.HoughLinesP()函数实现图像中的霍夫直线检测-CSDN博客

python学opencv|读取图像（七十）使用cv2.HoughCircles()函数实现图像中的霍夫圆形检测-CSDN博客

在此基础上，对实物具体标注效果的展示，深刻吸引我们。

本次学习的目标是掌握基本的人脸识别操作技巧，需要学习cv2.CascadeClassifier()函数+detectMultiScale()函数。

【2】官网教程

点击下方链接，直达cv2.CascadeClassifier()函数官网教程：

OpenCV: cv::CascadeClassifier Class Reference

在官网， 对cv2.CascadeClassifier()函数的说明较长，主要关注下述内容：

图1 官网对cv2.CascadeClassifier()函数的说明

实际应用中，多使用2/2所描述的格式，也就是需要引入一个filename作为参数，这个filename具体指向级联分类器，级联分类器在安装cv2模块的时候，已经一起安装到了电脑里，具体的位置一般为：python安装文件夹\Lib\site-packages\cv2\data。在data文件夹，会看到类似的级联分类器：

图2 安装cv2模块时存储的cv2.CascadeClassifier()函数级联分类器

实际上，cv2.CascadeClassifier()函数是加载这些级联分类器，detectMultiScale()函数才是使用这些级联分类器的实现人脸检测的真正行动者。

点击下方链接，直达detectMultiScale()函数的官网教程：

OpenCV: cv::BaseCascadeClassifier Class Reference

在这个页面其实可以先后看到cv2.CascadeClassifier()函数和detectMultiScale()函数，具体有：

图3 官网对detectMultiScale()函数的说明。

具体的，官网对detectMultiScale()函数的参数说明有：

    cv.CascadeClassifier.detectMultiScale(    

image                               #输入图像

scaleFactor                      #图像缩放比例，实际缩小为原来的1/scaleFactor，取值>1

minNeighbors                  #可选参数，每个检测区域可检测出人脸应至少保存的特征数量

flags                                 #可选参数，无需关注

minSize                           #可选参数，最小目标尺寸   

maxSize)                         #可选参数，最大目标尺寸   

在上述参数中，其实主要需要自主设置的是scaleFactor，此外图像的人脸检测尺寸只在(minSize,maxSize)区间内有效。

【3】代码测试

进入代码测试阶段。先对代码做结构设计：第一步引入图像，第二步加兹安级联分类器，第三步应用级联分类器实现人脸检测，第四步进行图像的输出处理，第五步显示和保存图像。

按照这个思路，首先引入模块和读取图像：

import cv2 as cv #引入cv2模块
import numpy as np #引入numpy模块
import os #引入os模块

# 读取原始图像
src = cv.imread('srcc.png')  # 请替换为你的实际图像文件名
if src is None:
    print("无法读取图像，请检查图像路径。")
    exit()

然后因为级联分类器比较多，把它们复制出来，到另一个单独的文件夹（保证文件夹的路径为纯英文），然后建立一个矩阵储存这些分类器：

# 定义不同的级联分类器文件路径
cascade_files = [
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_frontalface_default.xml",
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_frontalface_alt.xml",
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_frontalface_alt_tree.xml",
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_frontalface_alt2.xml",
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_frontalcatface.xml",
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_fullbody.xml"# 可以添加更多的级联分类器文件路径
]

使用一个矩阵储存级联分类器，是想在之后用循环依次调用这些级联分类器，可以使代码更紧凑。

下一步需要加载级联分类器和使用级联分类器，这个过程产生的人脸检测图像将存储起来：

result_images = [] #定义矩阵储存图像
# 遍历每个级联分类器文件
for cascade_file in cascade_files:
    # 检查文件是否存在
    if not os.path.exists(cascade_file):
        print(f"级联分类器文件不存在: {cascade_file}")
        continue
    # 加载级联分类器
    facecascade = cv.CascadeClassifier(cascade_file)
    # 检查级联分类器是否成功加载
    if facecascade.empty():
        print(f"无法加载级联分类器文件: {cascade_file}")
        continue
    # 进行目标检测
    faces = facecascade.detectMultiScale(src, 1.1)
    print(f"使用 {cascade_file} 检测到的目标数量: {len(faces)}")
    # 复制原始图像，避免修改原始图像
    result = src.copy()
    # 在检测到的目标周围绘制矩形框
    for (x, y, w, h) in faces:
        cv.rectangle(result, (x, y), (x + w, y + h), (200, 200, 55), 2)
    # 将检测结果图像添加到列表中
    result_images.append(result)

然后为了综合对比，把所有的图像整理成上下两行的形式：

# 拼接所有检测结果图像
if result_images:
    len=len(result_images) #获取图像数量
    if len%2==0: #判断图像是否为偶数
        len=len
    else: #如果图像数量是奇数，加一个纯黑色图像，这样做的目标是补齐两行图像
        len+=1
        print('len=',len)
        blank_image = np.zeros_like(src)
        result_images.append(blank_image)

    #图像拼接
    first_row = result_images[:int(0.5*len)]
    second_row = result_images[int(0.5*len):len]

    # 水平拼接每行的图像
    h_concat_first_row = cv.hconcat(first_row)
    h_concat_second_row = cv.hconcat(second_row)

    # 垂直拼接两行的图像
    final_image = cv.vconcat([h_concat_first_row, h_concat_second_row])

最后显示和保存所有图像：

    # 显示拼接后的大图
    cv.imshow('Combined Results', final_image)
    cv.imwrite('Combined Results.png', final_image)
    # 等待按键事件
    cv.waitKey(0)
    # 关闭所有窗口
    cv.destroyAllWindows()
else:
    print("没有有效的检测结果。")

代码运行相关的图像有：

图3 初始图像

图4 人脸检测效果

由图3到图4，可见不同的级联分类器的识别效果并不一样。经过参数调试，会发现scaleFactor参数的取值不同，会影响各个级联分类器的执行效果。

为了更清楚的显示效果，可以在各个子图上添加级联分类器的名字，增添新代码：

# 获取文件名
file_name = os.path.basename(cascade_file)
# 在图像上方添加文件名
text_height = int(0.1* result.shape[0]) # 文本高度
text_width = result.shape[1] # 文本高度
text_image = np.zeros((text_height, text_width, 3), dtype=np.uint8)
cv.putText(text_image, file_name, (int(0.2*text_width), int(0.6*text_height)), cv.FONT_HERSHEY_SIMPLEX, 0.58, (155, 100, 155), 2)
result_with_text = cv.vconcat([text_image, result])
result_images.append(result_with_text)

此时获得的新图像为：

图5 人脸检测效果带级联分类器名称

由图5可见，此时的人脸检测效果上，清晰显示各个级联分类器的名称。

此时的完整代码为：

import cv2 as cv
import numpy as np
import os

# 读取原始图像
src = cv.imread('srcc.png')  # 请替换为你的实际图像文件名
if src is None:
    print("无法读取图像，请检查图像路径。")
    exit()

# 定义不同的级联分类器文件路径
cascade_files = [
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_frontalface_default.xml",
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_frontalface_alt.xml",
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_frontalface_alt_tree.xml",
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_frontalface_alt2.xml",
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_frontalcatface.xml",
    r"D:\python\pythonworkspace\pythonProject1\cascades\haarcascade_fullbody.xml"
    # 可以添加更多的级联分类器文件路径
]

result_images = []
# 遍历每个级联分类器文件
for cascade_file in cascade_files:
    # 检查文件是否存在
    if not os.path.exists(cascade_file):
        print(f"级联分类器文件不存在: {cascade_file}")
        continue
    # 加载级联分类器
    facecascade = cv.CascadeClassifier(cascade_file)
    # 检查级联分类器是否成功加载
    if facecascade.empty():
        print(f"无法加载级联分类器文件: {cascade_file}")
        continue
    # 进行目标检测
    faces = facecascade.detectMultiScale(src, 1.1)
    print(f"使用 {cascade_file} 检测到的目标数量: {len(faces)}")
    # 复制原始图像，避免修改原始图像
    result = src.copy()
    # 在检测到的目标周围绘制矩形框
    for (x, y, w, h) in faces:
        cv.rectangle(result, (x, y), (x + w, y + h), (200, 200, 55), 2)

    # 获取文件名
    file_name = os.path.basename(cascade_file)
    # 在图像上方添加文件名
    text_height = int(0.1* result.shape[0]) # 文本高度
    text_width = result.shape[1] # 文本高度
    text_image = np.zeros((text_height, text_width, 3), dtype=np.uint8)
    cv.putText(text_image, file_name, (int(0.2*text_width), int(0.6*text_height)), cv.FONT_HERSHEY_SIMPLEX, 0.58, (155, 100, 155), 2)
    result_with_text = cv.vconcat([text_image, result])
    result_images.append(result_with_text)

# 拼接所有检测结果图像
if result_images:
    num_images = len(result_images)
    if num_images % 2 == 0:
        pass
    else:
        num_images += 1
        print('num_images=', num_images)
        blank_image = np.zeros_like(src)
        text_height = 20
        text_image = np.zeros((text_height, blank_image.shape[1], 3), dtype=np.uint8)
        blank_image_with_text = cv.vconcat([text_image, blank_image])
        result_images.append(blank_image_with_text)

    # 图像拼接
    first_row = result_images[:int(0.5 * num_images)]
    second_row = result_images[int(0.5 * num_images):num_images]

    # 水平拼接每行的图像
    h_concat_first_row = cv.hconcat(first_row)
    h_concat_second_row = cv.hconcat(second_row)

    # 垂直拼接两行的图像
    final_image = cv.vconcat([h_concat_first_row, h_concat_second_row])

    # 显示拼接后的大图
    cv.imshow('Combined Results', final_image)
    cv.imwrite('Combined Results-named.png', final_image)
    # 等待按键事件
    cv.waitKey(0)
    # 关闭所有窗口
    cv.destroyAllWindows()
else:
    print("没有有效的检测结果。")

【4】细节说明

不同的级联分类器最佳的scaleFactor参数并不一致，上述代码都统一为同一个数，实际的效果并未获得最佳展示。

【5】总结

掌握了python+opencv使用cv2.CascadeClassifier()函数+detectMultiScale()函数实现图像中的人脸检测的技巧。