基于opencv[python]的人脸检测 从这里可以清晰看到有1/3的图像没有成功检测到，后面我试试用Faster R-CNN模型，不过需要标注，数据量也大，这里先试着玩玩呗。

1 图片爬虫

这里的代码转载自：http://t.csdnimg.cn/T4R4F

# 获取图片数据
import os.path
import fake_useragent
import requests
from lxml import etree
# UA伪装
head = {"User-Agent": fake_useragent.UserAgent().random}
pic_name = 0
def request_pic(url):
 # 发送请求
 response = requests.get(url, headers=head)
 # 获取想要的数据
 res_text = response.text
 # 数据解析
 tree = etree.HTML(res_text)
 li_list = tree.xpath("//div[@class='slist']/ul/li")
 for li in li_list:
 # 图片的url
 img_url = "https://pic.netbian.com" + "".join(li.xpath("./a/img/@src"))
 # 发送请求
 img_response = requests.get(img_url, headers=head)
 # 获取想要的数据
 img_content = img_response.content
 global pic_name
 with open(f"./picLib/{pic_name}.jpg", "wb") as fp:
 fp.write(img_content)
 pic_name += 1
if __name__ == '__main__':
 # 创建存放照片的文件夹
 if not os.path.exists("./picLib"):
 os.mkdir("./picLib")
 # 网站的url
 url = "https://pic.netbian.com/4kdongman/"
 request_pic(url)
 for i in range(1,10):
 next_url = f"https://pic.netbian.com/4kmeinv/index_{i}.html"
 request_pic(next_url)

         结果如图1-1所示：

图 1-1  

2 基于opencv自带分类器的人脸检测 

import cv2 
import os 
import matplotlib.pyplot as plt 
 
# 定义人脸检测器的路径 
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') 
 
# 设置图片文件夹路径 
folder_path = 'picLib' 
 
# 设置要显示的图像数量 
num_to_display = 5 # 例如，只显示前4张图像 
 
# 创建一个图形和子图 
fig, axs = plt.subplots(1, num_to_display, figsize=(15, 5)) 
 
# 遍历文件夹中的前几张图片 
for i in range(num_to_display): 
 file_name = f'{i}.jpg' 
 image_path = os.path.join(folder_path, file_name) 
 
 # 读取图片 
 img = cv2.imread(image_path) 
 if img is None: 
 print(f"Error loading image {file_name}") 
 continue 
 
 # 转换为灰度图 
 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
 
 # 检测人脸 
 faces = face_cascade.detectMultiScale(gray, 1.3, 5) 
 
 # 在原图上绘制矩形框 
 for (x, y, w, h) in faces: 
 cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2) 
 
 # 注意：OpenCV 图像是BGR，而Matplotlib 期望的是RGB，因此我们需要转换颜色通道 
 img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) 
 
 # 显示图像 
 axs[i].imshow(img_rgb) 
 axs[i].axis('off') # 关闭坐标轴 
 
# 显示图形 
plt.show()

        运行结果如图2-1所示：

图 2-1 

        从这里可以清晰看到有1/3的图像没有成功检测到，后面我试试用Faster R-CNN模型，不过需要标注，数据量也大，这里先试着玩玩呗。