我们可以使用Haar 分类器进行面部检测。

什么是Haar 分类器

以 Haar 特征分类器为基础的对象检测技术是一种非常有效的对象检测

技术。它是基于机器学习的，通过使用大量的正负样本图像训练得到一个

cascade_function，最后再用它来做对象检测。

开始时，算法需要大量的正样本图像（面部图像）和负样本图像（不含面部

的图像）来训练分类器。我们需要从其中提取特征。下图中的Haar 特征会被

使用。它们就像我们的卷积核。每一个特征是一个值，这个值等于黑色矩形

中的像素值之后减去白色矩形中的像素值之和。      

使用所有可能的核来计算足够多的特征。（想象一下这需要多少计算量？仅

仅是一个24x24 的窗口就有 160000 个特征）。对于每一个特征的计算我们

好需要计算白色和黑色矩形内的像素和。

---

因为OpenCV 自带了训练器和检测器。如果你想自己训练一个分类器来检测

汽车，飞机等的话，可以使用OpenCV 构建。

现在我们来学习一下如何使用检测器。 OpenCV 已经包含了很多已经训练

好的分类器，其中包括：面部，眼睛，微笑等。下面我们将使用 OpenCV 

创建一个面部和眼部检测器。首先我们要加载需要的XML 分类器。然后以

灰度格式加载输入图像或者是视频。

# -*- coding: utf-8 -*-

import numpy as np

import cv2

#加入脸部和眼部分类器xml

face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml')

img = cv2.imread('face.jpg')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    

faces = face_cascade.detectMultiScale(gray, 1.3, 5)

for (x,y,w,h) in faces:

        #框出面部

        img = cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)

        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:

                #框出眼睛

                cv2.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)

cv2.imshow('img',img)

cv2.waitKey(0)

cv2.destroyAllWindows()