基于opencv[python]的人脸检测

1 图片爬虫

这里的代码转载自：http://t.csdnimg.cn/T4R4F

# 获取图片数据
import os.path
import fake_useragent
import requests
from lxml import etree# UA伪装
head = {"User-Agent": fake_useragent.UserAgent().random}pic_name = 0
def request_pic(url):# 发送请求response = requests.get(url, headers=head)# 获取想要的数据res_text = response.text# 数据解析tree = etree.HTML(res_text)li_list = tree.xpath("//div[@class='slist']/ul/li")for li in li_list:# 图片的urlimg_url = "https://pic.netbian.com" + "".join(li.xpath("./a/img/@src"))# 发送请求img_response = requests.get(img_url, headers=head)# 获取想要的数据img_content = img_response.contentglobal pic_namewith open(f"./picLib/{pic_name}.jpg", "wb") as fp:fp.write(img_content)pic_name += 1if __name__ == '__main__':# 创建存放照片的文件夹if not os.path.exists("./picLib"):os.mkdir("./picLib")# 网站的urlurl = "https://pic.netbian.com/4kdongman/"request_pic(url)for i in range(1,10):next_url = f"https://pic.netbian.com/4kmeinv/index_{i}.html"request_pic(next_url)

         结果如图1-1所示：

图 1-1  

2 基于opencv自带分类器的人脸检测 

import cv2  
import os  
import matplotlib.pyplot as plt  # 定义人脸检测器的路径  
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')  # 设置图片文件夹路径  
folder_path = 'picLib'  # 设置要显示的图像数量  
num_to_display = 5  # 例如，只显示前4张图像  # 创建一个图形和子图  
fig, axs = plt.subplots(1, num_to_display, figsize=(15, 5))  # 遍历文件夹中的前几张图片  
for i in range(num_to_display):  file_name = f'{i}.jpg'  image_path = os.path.join(folder_path, file_name)  # 读取图片  img = cv2.imread(image_path)  if img is None:  print(f"Error loading image {file_name}")  continue  # 转换为灰度图  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 检测人脸  faces = face_cascade.detectMultiScale(gray, 1.3, 5)  # 在原图上绘制矩形框  for (x, y, w, h) in faces:  cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)  # 注意：OpenCV 图像是BGR，而Matplotlib 期望的是RGB，因此我们需要转换颜色通道  img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # 显示图像  axs[i].imshow(img_rgb)  axs[i].axis('off')  # 关闭坐标轴  # 显示图形  
plt.show()  

        运行结果如图2-1所示：

图 2-1 

        从这里可以清晰看到有1/3的图像没有成功检测到，后面我试试用Faster R-CNN模型，不过需要标注，数据量也大，这里先试着玩玩呗。