python人脸检测代码

以下是一个基本的Python人脸检测代码，使用OpenCV库：

import cv2

# 加载人脸检测器
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 加载图像
img = cv2.imread('test.jpg')

# 将图像转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测人脸
faces = face_cascade.detectMultiScale(gray, 1.3, 5)

# 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)

# 显示图像
cv2.imshow('img',img)
cv2.waitKey()

在此代码中，我们首先加载了一个名为`haarcascade_frontalface_default.xml`的预训练人脸检测器。然后，我们加载了一张测试图像`test.jpg`并将其转换为灰度图像。接下来，我们使用`detectMultiScale()`函数检测图像中的人脸，并使用`rectangle()`函数在人脸周围绘制矩形框。最后，我们使用`imshow()`函数显示结果图像，并通过`waitKey()`函数等待用户按下任意键来关闭窗口。

相关问题

三种算法实现深度学习python人脸检测代码

以下是三种深度学习算法实现人脸检测的Python代码示例：

1. 基于SSD算法的人脸检测代码：

import cv2

# 加载模型
net = cv2.dnn.readNetFromCaffe('deploy.prototxt', 'res10_300x300_ssd_iter_140000.caffemodel')

# 加载图像
img = cv2.imread('test.jpg')

# 进行预处理
blob = cv2.dnn.blobFromImage(cv2.resize(img, (300, 300)), 1.0, (300, 300), (104.0, 177.0, 123.0))

# 进行预测
net.setInput(blob)
detections = net.forward()

# 绘制矩形框
for i in range(0, detections.shape[2]):
    confidence = detections[0, 0, i, 2]
    if confidence > 0.5:
        box = detections[0, 0, i, 3:7] * np.array([img.shape[1], img.shape[0], img.shape[1], img.shape[0]])
        (startX, startY, endX, endY) = box.astype("int")
        cv2.rectangle(img, (startX, startY), (endX, endY), (0, 0, 255), 2)

# 显示图像
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 基于YOLO算法的人脸检测代码：

import cv2

# 加载模型
net = cv2.dnn.readNet('yolov3-tiny.weights', 'yolov3-tiny.cfg')

# 加载标签
with open('coco.names', 'r') as f:
    labels = [line.strip() for line in f.readlines()]

# 加载图像
img = cv2.imread('test.jpg')

# 进行预处理
blob = cv2.dnn.blobFromImage(img, 1/255.0, (416, 416), swapRB=True, crop=False)

# 进行预测
net.setInput(blob)
outputs = net.forward()

# 绘制矩形框
for output in outputs:
    for detection in output:
        scores = detection[5:]
        classId = np.argmax(scores)
        confidence = scores[classId]
        if confidence > 0.5 and classId == 0:
            box = detection[0:4] * np.array([img.shape[1], img.shape[0], img.shape[1], img.shape[0]])
            (centerX, centerY, width, height) = box.astype("int")
            startX = int(centerX - (width / 2))
            startY = int(centerY - (height / 2))
            endX = int(centerX + (width / 2))
            endY = int(centerY + (height / 2))
            cv2.rectangle(img, (startX, startY), (endX, endY), (0, 0, 255), 2)

# 显示图像
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. 基于MTCNN算法的人脸检测代码：

import cv2
from mtcnn import MTCNN

# 加载模型
detector = MTCNN()

# 加载图像
img = cv2.imread('test.jpg')

# 进行预测
results = detector.detect_faces(img)

# 绘制矩形框
for result in results:
    x, y, w, h = result['box']
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 255), 2)

# 显示图像
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

以上代码中，分别使用了基于SSD、YOLO和MTCNN算法进行人脸检测。其中，SSD和YOLO都是基于深度学习的目标检测算法，MTCNN则是专门为人脸检测设计的算法。在使用前需要加载对应的模型和标签，并且进行图像预处理和后处理。在预测完成后，可以通过绘制矩形框来标记检测到的人脸。

人脸检测代码python

以下是一个简单的人脸检测代码示例，使用Python语言和OpenCV库：

import cv2

# 加载Haar级联分类器
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 加载图像
img = cv2.imread('test.jpg')

# 将图像转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测人脸
faces = face_cascade.detectMultiScale(gray, 1.3, 5)

# 绘制人脸框
for (x,y,w,h) in faces:
    cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)

# 显示结果
cv2.imshow('img',img)
cv2.waitKey()

在上面的代码中，我们首先加载了一个名为“haarcascade_frontalface_default.xml”的Haar级联分类器，该分类器可用于检测人脸。然后，我们加载了一张测试图像“test.jpg”，并将其转换为灰度图像以便于处理。接下来，我们使用detectMultiScale函数检测人脸，并将结果存储在一个名为“faces”的数组中。最后，我们在图像上绘制了人脸框，并显示了结果。