【OpenCV入门实战】利用电脑前置摄像头进行人脸检测

这几天在看OpenCV相关的书，结合书上的源码自己拼合出了这个功能，于是写下来作为入门OpenCV的一个记录。

  要完成这个功能，需要两步操作，一是打开摄像头采集图像，二是将采集到的图像送入图像检测模块。

打开摄像头

  类VideoCapture是OpencCV中最基本的视频输入输出接口，可以读取视频文件或打开摄像头，提取视频帧，并提供多个函数获取视频的属性信息。如用open函数可以打开一个视频文件或打开一个捕获视频的设备；用release函数实现关闭视频文件或摄像头；用get函数则可以获取视频中如帧率、格式等信息。

  从视频文件中读取视频创建VideoCapture对象格式为：

VideoCapture(filename) --> <VideoCapture object>    filename为文件名

  从摄像机中读取视频创建VideoCapture对象格式为：

VideoCapture(device) --> <VideoCapture object>   device为视频捕获设备的ID

  如果在计算机中插入一个摄像头，那么open的第一个参数通常是700。可以尝试运行下面这段代码，应该就能看到笔记本摄像头被调用后开启视频的画面。此时相当于一帧一帧地从摄像头中读取画面，并一帧一帧地播放，间隔时间很短，给人的感觉就像是在看视频。

import cv2 as cv
#打开摄像头 默认为700
cap = cv.VideoCapture(700)
# 设置宽度和高度
cap.set(cv.CAP_PROP_FRAME_WIDTH,320)
cap.set(cv.CAP_PROP_FRAME_HEIGHT,240)
while True:
    #每次读取一帧摄像头或者视频
    ret,frame = cap.read()
    #将一帧frame显示出来，第一个参数为窗口名
    cv.imshow('frame',frame)
    #每次等待1ms 当esc按键被按下时退出显示
    #ESC按键对应的键值为27
    if(cv.waitKey(1)&0xff) == 27:
        break
#常规操作 释放资源
cap.release()
cv.destroyAllWindows()

进行人脸检测

  从提取特征开始实现人脸检测比较费时，作为初学者，我们可以直接使用OpenCV的级联分类器（CascadedClassifier）加载预训练模型进行直观感受，这些模型可以在cv2的data文件夹中直接找到。这些预训练模型的模型采用了AdaBoost（Adaptive Boosting，自适应增强）算法，将多个弱分类器组合成强分类器，具有较小的误别率和较快的运行速度。

  应该指出的是，为了提高人脸检测的速度和精度，最终的分类器其实往往是由几个强分类器级联得到的。在一个级联分类系统中，对于每一个输入图像，将顺序通过每个强分类器。其中，前面的强分类器相对简单，包含的弱分类器相对较少，后面的强分类器逐级复杂，只有通过前面的强分类器，才能进一步送入下一个强分类器，这样的过滤方式在保证精度的同时提高了效率。只有最终通过了所有强分类器的图像区域，才是有效的人脸区域。

import cv2

# 采用电脑前置摄像头
capture = cv2.VideoCapture(700)

# 获取 capture 的一些属性
frame_width = capture.get(cv2.CAP_PROP_FRAME_WIDTH)
frame_height = capture.get(cv2.CAP_PROP_FRAME_HEIGHT)
print('The width is %.1f . \n The height is %.1f'%(frame_width, frame_height))

if capture.isOpened() is False:
    print('Error openning the camera')

# 人脸检测函数
def detectface(image):
        # 读取文件
        model1 = 'haarcascade_eye.xml'
        model1 = cv2.CascadeClassifier(model1)  # 加载模型

        # 人眼检测
        eyes = model1.detectMultiScale(image)
        for (x, y, w, h) in eyes:
            cv2.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), thickness=2)  # 红色画出人眼矩形框

        # 读取文件
        model2 = 'haarcascade_frontalface_default.xml'
        model2 = cv2.CascadeClassifier(model2)  # 加载模型
        # 人脸检测
        faces = model2.detectMultiScale(image)
        for (x, y, w, h) in faces:
            cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), thickness=2)  # 绿色画出人脸矩形框

        # 显示图片
        cv2.imshow('detect_result', image)

        return image


# 直接识别lena图片,用作测试
image = cv2.imread('lena.png')
detectface(image)
cv2.waitKey(3000) # 展示个3秒

# 视频流识别
frame_index = 0
while capture.isOpened():
    ret, frame = capture.read()

    if ret:
        # 显示摄像头捕获的帧
        cv2.imshow('Input frame from the camera', frame)

        # 识别捕捉到的帧
        detect_frame = detectface(frame)

        # cv2.waitKey()这个函数是在一个给定的时间内(单位ms)等待用户按键触发
        # 按下'q'键退出
        if (cv2.waitKey(10) & 0xFF) == ord('q'):
            break

        # 按下'c'键保存
        if (cv2.waitKey(10) & 0xFF) == ord('c'):
             frame_name = f'camera_frame_{
      frame_index}.png'
             detect_frame_name = f'dectect_camera_frame_{
      frame_index}.png'
             cv2.imwrite(frame_name, frame)
             cv2.imwrite(detect_frame_name, detect_frame)
             frame_index += 1

    else:
        break

# 关闭退出
capture.release()
cv2.destroyAllWindows()

  运行上述代码，一开始应该先看到一幅lena的测试图，悬停3秒后会正常进入摄像头捕捉的人脸实时检测。看得出来对于静态图片的识别效果还是很好的。

  接下来应该看得到两个视频捕捉的显示窗口，按下“q”键退出，按下“c”键保存图像，下面是某次捕捉的保存结果。(可以尝试低下头一些，不然容易将鼻孔区域误标记成眼睛，场景中的一些黑格都有一定概率容易被误识