OpenCV-Python 提供了多种用于人脸检测的算法，主要基于预训练的 Haar 级联分类器和 LBP（Local Binary Patterns）特征分类器。 ### 1. Haar 级联分类器 Haar 级联分类器是一种经典的机器学习方法，通过使用 Haar 特征进行训练，并利用 AdaBoost 分类器实现快速的人脸检测。OpenCV 中提供了多个预训练的 Haar 级联模型文件，常见的包括： - **`haarcascade_frontalface_default.xml`**：用于正面人脸检测。 - **`haarcascade_frontalface_alt.xml`**：另一种正面人脸检测模型，对复杂场景下的人脸表现更好。 - **`haarcascade_profileface.xml`**：用于侧面人脸检测。 - **`haarcascade_eye.xml`**：用于眼睛检测。 - **`haarcascade_smile.xml`**：用于微笑检测[^2]。 这些模型在图像的不同尺度上滑动窗口并计算 Haar 特征，从而识别出人脸区域。 ### 2. LBP 特征分类器 局部二值模式（LBP, Local Binary Pattern）是一种基于纹理特征的分类器，相比 Haar 特征具有更快的检测速度。OpenCV 提供了基于 LBP 的人脸检测模型： - **`lbpcascade_frontalface.xml`**：适用于正面人脸检测，运行效率高且适合嵌入式设备[^3]。 ### 3. DNN 模块支持的深度学习方法 除了传统的级联分类器，OpenCV 还提供了 DNN（Deep Neural Network）模块，支持使用深度学习模型进行人脸检测。例如可以加载 Caffe、TensorFlow 或 ONNX 格式的预训练模型，如 SSD（Single Shot MultiBox Detector）或 YOLO（You Only Look Once）等模型实现更精确的人脸检测。 以下是一个使用 `haarcascade_frontalface_default.xml` 进行人脸检测的示例代码： ```python import cv2 # 加载预训练的人脸检测模型 face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') # 读取图像 img = cv2.imread('path/to/your/image.jpg') # 转换为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 检测人脸 faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=4) # 在检测到的人脸周围画矩形 for (x, y, w, h) in faces: cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2) # 显示结果图像 cv2.imshow('Detected Faces', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码展示了如何使用 OpenCV 的 `CascadeClassifier` 类加载 Haar 级联模型，并调用 `detectMultiScale` 方法进行人脸检测。 ### 总结 OpenCV-Python 支持多种人脸检测算法，包括基于 Haar 特征的级联分类器、基于 LBP 的分类器以及 DNN 模块中的深度学习模型。根据应用场景选择合适的算法可以提高检测精度和效率。