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 os
import cv2
from PIL import Image, ImageDraw
from 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 += 1
if __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。