OpenCV 人脸检测 Haar Cascade

bash pip install opencv-python

同时确保可以访问摄像头或准备一张测试图像。本教程使用的 Haar 特征文件位于 OpenCV 安装目录的 `data/haarcascades/` 下，常见的有：
- `haarcascade_frontalface_default.xml`：正面人脸检测
- `haarcascade_frontalface_alt.xml`、`haarcascade_frontalface_alt2.xml`：更精确但稍慢
- `haarcascade_profileface.xml`：侧脸检测

你也可以从 OpenCV 官方 GitHub 仓库下载这些文件。

## 基础实战：图像中的人脸检测
### 加载分类器并读取图像
```python
import cv2

# 加载 Haar 分类器
face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)

# 读取图像并转为灰度图
img = cv2.imread('test.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

执行检测并绘制结果

# detectMultiScale 参数说明：
# scaleFactor：每次图像尺寸缩小的比例（默认1.1）
# minNeighbors：构成检测目标的相邻矩形的最小数量（默认3）
# minSize：最小检测尺寸
faces = face_cascade.detectMultiScale(
    gray,
    scaleFactor=1.1,
    minNeighbors=5,
    minSize=(30, 30)
)

# 绘制矩形框
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

cv2.imshow('Detected Faces', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

detectMultiScale 返回一个列表，每个元素是 (x, y, w, h)，表示人脸区域的左上角坐标和宽高。minNeighbors 控制误检率：增大该值可减少误检但可能漏检；减小则相反。

实时视频人脸检测

利用摄像头实时捕捉画面并逐帧检测，可以达到实时效果。

import cv2

face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)

cap = cv2.VideoCapture(0)  # 0 表示默认摄像头

while True:
    ret, frame = cap.read()
    if not ret:
        break
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    faces = face_cascade.detectMultiScale(
        gray,
        scaleFactor=1.1,
        minNeighbors=5,
        minSize=(40, 40)
    )

    for (x, y, w, h) in faces:
        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

    cv2.imshow('Real-time Face Detection', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

为了提升速度，可以在循环内部适当缩小帧尺寸，例如 frame = cv2.resize(frame, (0,0), fx=0.5, fy=0.5)。

拓展：眼睛和侧脸检测

除了人脸，OpenCV 还提供眼睛和侧脸分类器。你可以在同一个灰度图上先后运行不同分类器，并在人脸区域内检测眼睛以提高准确性。

eye_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_eye.xml'
)
profile_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_profileface.xml'
)

# 在检测到的人脸区域内寻找眼睛
for (x, y, w, h) in faces:
    roi_gray = gray[y:y+h, x:x+w]
    roi_color = img[y:y+h, x:x+w]
    eyes = eye_cascade.detectMultiScale(roi_gray)
    for (ex, ey, ew, eh) in eyes:
        cv2.rectangle(roi_color, (ex, ey), (ex+ew, ey+eh), (255, 0, 0), 2)

参数调优指南

• scaleFactor：控制图像金字塔的缩放步长，取值 >1，常用 1.01~1.5。越小越精确但更耗时。
• minNeighbors：控制误检，常用 3~6。若人脸漏检较多可减小该值；误检多则增大。
• minSize 和 maxSize：限定检测窗口大小，可忽略过小或过大的区域，提升速度并减少误检。
• 图像预处理：使用直方图均衡化（cv2.equalizeHist）可以改善光照不均场景下的检测效果。

训练自己的 Haar Cascade 分类器

如果预训练模型不能满足需求（例如检测特定物体），你可以使用 OpenCV 提供的 opencv_createsamples 和 opencv_traincascade 工具自行训练。

训练步骤概览

1. 收集正样本：包含目标物体的图像，裁剪为统一尺寸（例如 24x24），背景尽量干净。
2. 创建负样本：不包含目标的背景图像，尽可能多样化。
3. 生成正样本描述文件：使用 opencv_createsamples 从正样本生成 .vec 文件。
4. 生成负样本描述文件：一个文本文件，每行是一张负样本的路径。
5. 训练分类器：

   opencv_traincascade -data classifier -vec positives.vec -bg neg.txt -numPos 500 -numNeg 1000 -numStages 10 -w 24 -h 24