网站子目录如何查看网站收录情况
1. 导入并显示图片
#导入模块
import cv2 as cv#读取图片
img=cv.imread('img/wx(1).jpg') #路径名为全英文，出现中文 图片加载失败,"D:\picture\wx.jpg"
#显示图片 （显示标题，显示图片对象）
cv.imshow('read_picture',img)#等待键盘输入（毫秒单位） 值为0 ：表示无限等待
cv.waitKey(0)#释放内存 opencv底层由C++ 编写
cv.destroyAllWindows()
2. 将图片进行灰度处理
import cv2 as cv #以cv 引用 cv2
img=cv.imread('img/wx(1).jpg')
cv.imshow('BGR_img',img) #展示该图片
#等待键盘获取时间，该时间内得到键盘响应则继续向下执行；否则展示图片计时结束后自动运行
cv.waitKey(3000)#将 img对象灰度处理后，赋予gray_img对象
gray_img=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
cv.imshow('gray_img',gray_img) #展示灰度图片
#保存转换后的图片 （’新文件名‘，原图片对象）
cv.imwrite('img/gray_wx(1).jpg', gray_img)
cv.waitKey(3000)
cv.destroyAllWindows() #释放内存3. 更改图片的尺寸大小
import cv2 as cv
img=cv.imread('img/wx(1).jpg')
cv.imshow('old_img',img)
print('原图尺寸为（宽、高、）：',img.shape)
cv.waitKey(5000)#改变原始图片尺寸大小
resize_img=cv.resize(img,dsize=(500,500))
print('当前图片尺寸（宽、高、）：',resize_img.shape)
cv.imshow('resize_img',resize_img)#更改waitKey等待条件 : 键盘输入 'q'
while 1:if ord(' ')==cv.waitKey(0):breakcv.destroyAllWindows()4. 在图片中绘制图形
import cv2 as cv
img=cv.imread('img/wx(1).jpg')
img2=cv.imread('img/wx(1).jpg')
#矩形描点：左上角坐标（x,y），右下角坐标(x+w,y+h),w:宽，h:高
x,y,w,h=100,100,40,40
#绘制矩形 （图片对象，坐标（），颜色（），宽度）
cv.rectangle(img,(x,y,x+w,y+h),color=(0,255,0),thickness=2) #color(BGR)
cv.imshow('rectangle_img',img)
cv.waitKey(2000)#绘制圆形：（原点坐标（），半径，颜色，宽度）
cv.circle(img2,center=(100,100),radius=40,color=(0,0,255),thickness=2)
cv.imshow('circle_img',img2)
cv.waitKey(2000)
cv.destroyAllWindows()
5. 对图片进行人脸检测，对应面部区域绘制矩形
import cv2 as cv
img=cv.imread('img/wx(1).jpg')
img2=cv.imread('img/wx(1).jpg')
#矩形描点：左上角坐标（x,y），右下角坐标(x+w,y+h),w:宽，h:高
x,y,w,h=100,100,40,40
#绘制矩形 （图片对象，坐标（），颜色（），宽度）
cv.rectangle(img,(x,y,x+w,y+h),color=(0,255,0),thickness=2) #color(BGR)
cv.imshow('rectangle_img',img)
cv.waitKey(2000)#绘制圆形：（原点坐标（），半径，颜色，宽度）
cv.circle(img2,center=(100,100),radius=40,color=(0,0,255),thickness=2)
cv.imshow('circle_img',img2)
cv.waitKey(2000)
cv.destroyAllWindows()
6. 多人人脸检测
import cv2 as cv
def face_detact_demo(img_path):img=cv.imread(img_path)if img is None:print("Error:img_path error!")return# 1:灰度处理并适当更改尺寸大小# img=cv.resize(img,dsize=(1000,600))gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)# 2：加载特征数据，获取特征对象face_detector=cv.CascadeClassifier('D:/opencv/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')if face_detector.empty():print("Error:Failed to load haarcascade_frontalface_default.xml")return# 3：检测人脸，获取范围坐标faces = face_detector.detectMultiScale(gray)# faces=face_detector.detectMultiScale(gray,scaleFactor=1.01,minNeighbors=3,flags=0,maxSize=(35,35),minSize=(29,29))# detectMultiScale(image,scaleFactor = 1.1,minNeighbors = 3,flags = 0,minSize = Size(),maxSize = Size())if len(faces)==0:print("Error:NO faces face_detected!")returnelse:# 在监测的人脸范围绘制矩形for (x,y,w,h) in faces:print(x,y,w,h)cv.rectangle(img,(x,y),(x+w,y+h),color=(0,0,255),thickness=2)cv.circle(img,(x+w//2,y+h//2),radius=w//2,color=(0,255,0),thickness=2)cv.imshow('face_detect',img)cv.waitKey(10000)img_path='img/m.jpg'
face_detact_demo(img_path)
cv.destroyAllWindows()由特征对象获取人脸范围坐标时，因图片中人脸的精准度问题可能存在获取非人脸范围，因此需要调节函数参数，实现高效扫描
face_detector.detectMultiScale 是 OpenCV 库中用于人脸检测的一个常用函数。这个函数属于 Haar 或 LBP 特征分类器的一部分，通常用于在图像中检测不同大小的人脸
std::vector<Rect> detectMultiScale(InputArray image,double scaleFactor = 1.1,int minNeighbors = 3,int flags = 0,Size minSize = Size(),Size maxSize = Size()
);参数介绍：
- image: 输入图像，通常是一个灰度图像（尽管也可以传入彩色图像，但内部会自动转换为灰度图）。
- scaleFactor: 图像缩放的比例因子。例如，1.1 表示每次图像尺寸变为原来的 1.1 倍。该参数决定了图像金字塔的层数，从而影响检测到的人脸的大小范围。
- minNeighbors: 每个候选矩形区域需要有多少个相邻的矩形区域来保留该区域，也就是扫描该范围多少次。这个参数影响检测的准确度和检测到的区域的数量。
- flags: 修改检测方法的标志。可以是以下值的组合：
-
- CASCADE_SCALE_IMAGE: 按比例缩放图像。默认开启。
- CASCADE_FIND_BIGGEST_OBJ: 只返回最大的对象。
- CASCADE_DO_ROUGH_SEARCH: 只做粗略搜索。
- CASCADE_DO_CANNY_PRUNING: 使用 Canny 边缘检测器来丢弃一些边缘太多的图像区域。
- CASCADE_SCALE_IMAGE 和 CASCADE_DO_ROUGH_SEARCH 通常默认开启，其他标志可能需要根据具体需求来设置。
- minSize: 目标对象的最小可能尺寸。
- maxSize: 目标对象的最大可能尺寸。
返回值
该函数返回一个 Rect 对象的向量，每个 Rect 对象代表检测到的人脸的位置和大小
7. 视频人脸检测：
import cv2 as cv
def faces_detect_demo(img):#灰度处理gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)#加载特征数据face_detector = cv.CascadeClassifier('D:/opencv/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')if face_detector.empty():print("Error: failed to load face_detector!")return#检测人脸范围face=face_detector.detectMultiScale(gray)#绘制人脸矩形for(x,y,w,h)in face:print(x,y,w)cv.rectangle(img,(x,y),(x+w,y+h),color=(255,0,255),thickness=2)cv.circle(img,center=(x+w//2,y+h//2),radius=w//2,color=(255,0,0),thickness=2)#显示图片cv.imshow('vedio_detect',img)#1：读取本地视频
# "D:\桌面\代码\video.mp4"
cap1=cv.VideoCapture('v.mp4')
#2：调用自己的摄像头
cap=cv.VideoCapture(0)while True:#flag为监测标志位flag为false时退出视频监测#frame为视频中读取每一帧的的图片对象flag,frame=cap.read()if not flag:break#进行方法监测faces_detect_demo(frame)# 键入空格退出，否则循环检测if ord('q')==cv.waitKey(3000):break
cv.destroyAllWindows()
cap.release()以上提供两种视频提供：
#1：读取本地视频
cap1=cv.VideoCapture('v.mp4')
#2：调用自己的摄像头
cap2=cv.VideoCapture(0)继而循环从视频中提取图片对象：flag,frame=cap.read() 进行方法检测人脸
flag 以及 操作键入值 q 作为循环是否继续的判断
8. 人脸数据训练：
import os
import sys
import cv2
import numpy as np
from PIL import Imagedef getImageAndLabels(path):facesSamples=[]ids=[]#将路径与文件名称结合 以列表形式存储imagePaths=[os.path.join(path,f) for f in os.listdir(path)]# 加载特征数据face_detector = cv2.CascadeClassifier('D:/opencv/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')if face_detector.empty():print("Error: failed to load face_detector!")return#遍历列表中的图片for imagePath in imagePaths:#打开图片PIL_img=Image.open(imagePath).convert('L')#将图片转为数组img_numpy=np.array(PIL_img,'uint8')# 检测人脸范围face = face_detector.detectMultiScale(img_numpy)#获取图片id#将路径中第二部分文件名中的数据id由‘.’进行分割，将字符串转换为整形存储id=int(os.path.split(imagePath)[1].split('.')[0])for x,y,w,h in face:#将人脸检测范围进行切片处理，作为图像数组facesSamples.append(img_numpy[y:y+h,x:x+w])ids.append(id)return facesSamples,idsif __name__ == '__main__':#图片路径：path='./data/jm/'#获取图像数组以及id标签数组faces,ids=getImageAndLabels(path)#获取循环对象recognizer=cv2.face.LBPHFaceRecognizer_create()recognizer.train(faces, np.array(ids))#保存文件recognizer.write('trainer/trainer.yml')获取训练集：
9. 人脸识别：
基于 LBPH 的人脸识别
LBPH（Local Binary Pattern Histogram）将检测到的人脸分为小单元，并将其与模型中 的对应单元进行比较，对每个区域的匹配值产生一个直方图。由于这种方法的灵活性，LBPH 是唯一允许模型样本人脸和检测到的人脸在形状、大小上可以不同的人脸识别算法。 调整后的区域中调用 predict()函数，该函数返回两个元素的数组：第一个元素是所识别 个体的标签，第二个是置信度评分。所有的算法都有一个置信度评分阈值，置信度评分用来 衡量所识别人脸与原模型的差距，0 表示完全匹配。可能有时不想保留所有的识别结果，则 需要进一步处理，因此可用自己的算法来估算识别的置信度评分。LBPH 一个好的识别参 考值要低于 50 ，任何高于 80 的参考值都会被认为是低的置信度评分。
import cv2
import os
import numpy as np#加载训练数据文件
recognizer=cv2.face.LBPHFaceRecognizer_create()
recognizer.read('trainer/trainer.yml')
#准备识别的图片
img=cv2.imread('./img/10.pgm')gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
face_detector = cv2.CascadeClassifier('D:/opencv/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')
face=face_detector.detectMultiScale(gray)
for x,y,w,h in face:cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),thickness=2)#人脸识别id,confidence=recognizer.predict(gray[y:y+h,x:x+w])print('标签id：',id,'置信评分：',confidence)print('置信评分范围低于 50，高于80为低的置信度评分')img2_path='data/jm/'+str(id)+'.pgm'img2=cv2.imread(img2_path)
#扩大图像尺寸
img=cv2.resize(img,(300,300))
img2=cv2.resize(img2,(300,300))
#face_detect 检测图像展示
cv2.imshow('face_detect',img)
#recognize_img 原始图像成功比对图片
cv2.imshow('recognize_img',img2)
cv2.waitKey(8000)