6
雷鋒網按：這是篇是利用 OpenCV 進行人臉識別的技術講解。閱讀本文之前，這是注意事項：
建議先讀一遍本文再跑代碼——你需要理解這些代碼是干什么的。成功跑一遍不是目的，能夠舉一反三、在新任務上找出 bug 才是。
請確保用的是 OpenCV v2
你需要一個網絡攝像頭
OpenCV 是最流行的計算機視覺庫，原本用 C 和 C++ 開發，現在也支持 Python。
它使用機器學習算法在圖像中搜索人的面部。對于人臉這么復雜的東西，并沒有一個簡單的檢測能對是否存在人臉下結論，而需要成千上萬的特征匹配。算法把人臉識別任務分解成數千個小任務，每個都不難處理。這些任務也被稱為分類器。
對于類似于人臉的對象，你或許需要不少于 6000 個分類器，每一個都需要成功匹配（當然，有容錯率），才能檢測出人臉。但這有一個問題：對于人臉識別，算法從左上角開始計算一個個數據塊，不停問“這是張臉嗎”。每個數據塊有超過 6000 個檢測，加起來的計算量會達到數百萬級別，計算機很可能會讓你等得花兒都謝了。
OpenCV 使用 cascades 來避免這種情況。Cascade 是什么？最佳答案已經在字典里了：一條瀑布或者連續瀑布。
好比連續瀑布，OpenCV cascade 把人臉檢測問題分解為好幾步。對于每個數據塊，它都進行一個粗略、快速的檢測。若通過，會再進行一個更仔細的檢測，以此不斷類推。該算法有 30 到 50 個這樣的階段，或者說 cascade。只有通過全部階段，算法才會判斷檢測到人臉。這樣做的好處是：大多數圖形都會在頭幾步就產生否定反饋，算法因而不需要在它上面測試所有 6000 個特征，大大節省了時間。相對于“正常流程”耗費數個小時，這可以實時實現人臉檢測。
它的理論也許聽起來很復雜，實際操作起來其實是很簡單的。這些 cascades 只是一系列包含 OpenCV 數據的 XML 文件。你用想要的 cascade 初始化代碼，它自會替你做你想要的事。
由于人臉識別的普遍性，OpenCV 有一系列能檢測各種東西的內置 cascade，從眼睛到手到腿都可以檢測。甚至還有針對非人體物體的 cascade。比如說，如果你經營一家賣香蕉的水果店，想要監測偷香蕉的人，就有一個家伙開發了一個針對這一場景的算法！
首選，你需要找到對應你的操作系統的正確設置文件。
我發現，安裝 OpenCV 是最難的一個環節。如果你遇到奇怪的、無法解釋的錯誤，有可能是庫崩潰了、32 與 64 比特的兼容問題等等。個人經驗是，只用 Linux 虛擬機，從頭安裝 OpenCV 最簡單。
安裝好之后，你可以開啟一個 Python 會話，敲出下面的代碼，來測試它是否能工作：
$ python
>>> import cv2
>>>
如果沒彈出任何錯誤，你就可以到下個環節了。
源代碼可在資源庫下載。記得拿好 face_detect.py 文本、abba.png 圖片以及 haarcascade_frontalface_default.xml。下面，我把代碼分解開來。
# Get user supplied values
imagePath = sys.argv[1]
cascPath = sys.argv[2]
將圖片和 cascade 名字作為命令行參數傳入。我們會用 Abba 圖片和 OpenCV 提供的默認 cascade 來人臉檢測。
# Create the haar cascade
faceCascade = cv2.CascadeClassifier(cascPath)
現在，我們創建一個 cascade，并用人臉 cascade 初始化。這把人臉 cascade 導入內存，所以它隨時可以使用。記住，該 cascade 只是一個包含人臉檢測數據的 XML 文件。
# Read the image
image = cv2.imread(imagePath)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
讀取圖片把它轉化到灰度格式。
# Detect faces in the image
faces = faceCascade.detectMultiScale(
gray,
scaleFactor=1.1,
minNeighbors=5,
minSize=(30, 30),
flags = cv2.cv.CV_HAAR_SCALE_IMAGE
)
該函數做的就是檢測人臉，是代碼核心部分。所以，我們來過一遍選項。
DetectMultiScale 函數是一個檢測物體的通用函數。我們在人臉 cascade 上調用它，它檢測的就是人臉。第一個選項是灰度圖片。
第二個是 scaleFactor。有的人臉離鏡頭近，會比其他人臉更大。ScaleFactor 對此進行補償。
檢測算法使用移動窗口來檢測物體。在系統宣布檢測到人臉之前，minNeighbors 會對當前其周圍有多少物體進行定義。MinSize 給出每個窗口的大小。
我用的是這些領域的常用值。現實中，你會拿不同的值試驗窗口尺寸、擴展因素等參數，直到找出最比較合適的那一個。
當該函數認為它找到一張人臉時，會返回一個矩形列表。下一步，我們會進行循環，直到它認為檢測出了什么。
print "Found {0} faces!".format(len(faces))
# Draw a rectangle around the faces
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)
該函數返回四個值：矩形的 x 和 y 坐標，以及它的高和寬。我們用這些值和內置的 rectangle() 函數，畫出矩陣。
cv2.imshow("Faces found" ,image)
cv2.waitKey(0)
最后，我們顯示該模型，等用戶摁下按鍵。
用 Abba 來檢驗。
$ python face_detect.py abba.png haarcascade_frontalface_default.xml
沒有問題，試試另一張照片。
那兩個東西不是臉，我們再試一次。我調整了參數，發現把 scaleFactor 調成 1.2 能去除錯誤檢測。
發生了什么？第一張圖片由高清攝像機近距離拍攝，第二章拍攝距離相對更遠，而且可能是用手機拍的。這就是需要調整 scaleFactor 的原因。正如我說的，你需要按照實際場景設置算法，避免假正例。
這里，雷鋒網提醒大家，由于這基于機器學習，結果永遠不會 100% 精確。大多數情況下，你會得到不錯的結果。但算法偶爾會失誤。
最終代碼在這里。
如果你想要用網絡攝像頭呢？OpenCV 從攝像頭讀取每一幀，你可以通過處理每一幀進行人臉檢測。你需要一個性能強大的 PC，不過我的五歲大的筆記本用著還行。
via realpython，雷鋒網編譯
相關文章：
手把手教你如何用 OpenCV + Python 實現人臉識別
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
