Haar-like

通俗的來講，就是作為人臉特徵即可。

Haar特徵值反映了影象的灰度變化情況。例如：臉部的一些特徵能由矩形特徵簡單的描述，如：眼睛要比臉頰顏色要深，鼻樑兩側比鼻樑顏色要深，嘴巴比周圍顏色要深等。

opencv api

要想使用opencv，就必須先知道其能幹什麼，怎麼做。於是API的重要性便體現出來了。就本例而言，使用到的函式很少，也就普通的讀取圖片，灰度轉換，顯示影象，簡單的編輯影象罷了。

如下：

讀取圖片

只需要給出待操作的圖片的路徑即可。

import cv2
image = cv2.imread(imagepath)

灰度轉換

灰度轉換的作用就是：轉換成灰度的圖片的計算強度得以降低。

import cv2
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

畫圖

opencv 的強大之處的一個體現就是其可以對圖片進行任意編輯，處理。 
下面的這個函式最後一個引數指定的就是畫筆的大小。

import cv2
cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2)

顯示影象

編輯完的影象要麼直接的被顯示出來，要麼就儲存到物理的儲存介質。

import cv2
cv2.imshow("Image Title",image)

獲取人臉識別訓練資料

看似複雜，其實就是對於人臉特徵的一些描述，這樣opencv在讀取完資料後很據訓練中的樣品資料，就可以感知讀取到的圖片上的特徵，進而對圖片進行人臉識別。

import cv2
face_cascade = cv2.CascadeClassifier(r'./haarcascade_frontalface_default.xml')

裡賣弄的這個xml檔案，就是opencv在GitHub上共享出來的具有普適的訓練好的資料。我們可以直接的拿來使用。

訓練資料參考地址：

探測人臉

說白了，就是根據訓練的資料來對新圖片進行識別的過程。

import cv2

# 探測圖片中的人臉

faces = face_cascade.detectMultiScale(
   gray,
   scaleFactor = 1.15,
   minNeighbors = 5,
   minSize = (5,5),
   flags = cv2.cv.CV_HAAR_SCALE_IMAGE
)

我們可以隨意的指定裡面引數的值，來達到不同精度下的識別。返回值就是opencv對圖片的探測結果的體現。

處理人臉探測的結果

結束了剛才的人臉探測，我們就可以拿到返回值來做進一步的處理了。但這也不是說會多麼的複雜，無非新增點特徵值罷了。

import cv2

print "發現{0}個人臉!".format(len(faces))

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

  例項

有了剛才的基礎，我們就可以完成一個簡單的人臉識別的小例子了。

圖片素材

下面的這張圖片將作為我們的檢測依據。 

人臉檢測結果

輸出圖片：