手把手教你OpenCV实现实时人脸检测（C++）

目录

1，原理介绍

2，代码讲解

3，全部代码

4，结果展示

---

1，原理介绍

haarcascade_frontalface_default.xml 是一个 XML 文件，它包含了使用 Haar 特征分类器训练得到的人脸检测模型。这个模型是 OpenCV 库自带的，常用于实时人脸检测任务。下面详细介绍这个模型的几个方面：

1. Haar 特征: Haar 特征是基于图像的小波特征，它们能够捕捉图像中的局部变化，如边缘、纹理等。这些特征对于物体检测尤其有用，因为它们能够描述物体的某些属性。

2. 级联分类器: haarcascade_frontalface_default.xml 中的模型是一个级联分类器，这意味着它由多个阶段的分类器组成。每个阶段都会对输入图像进行分类，如果图像通过了所有阶段的检测，它就被认为是正面人脸。

3. 训练过程: 这个模型是通过在正面人脸和非人脸图像数据集上训练得到的。训练过程中，算法学习区分人脸和非人脸的特征。

4. 实时性能: Haar 级联分类器因其计算效率较高，通常用于实时人脸检测。尽管它可能不如深度学习模型那样精确，但在许多实时应用中已经足够使用。

5. 使用方式: 在 OpenCV 中，可以使用 CascadeClassifier 类加载这个 XML 文件，并调用 detectMultiScale 方法来检测图像或视频流中的人脸。

6. 参数调整: detectMultiScale 方法允许调整多个参数，如缩放因子、邻居窗口的数量、检测的最小和最大邻居尺寸等，以适应不同的检测需求。

7. 局限性: Haar 级联分类器可能在复杂场景中表现不佳，例如，当人脸被遮挡或光照条件不佳时。此外，它可能无法很好地处理不同姿态的人脸（如侧面人脸）。

8. 可扩展性: 除了正面人脸检测，OpenCV 还提供了其他类型的 Haar 级联分类器，如 haarcascade_profileface.xml 用于检测侧脸，haarcascade_eye.xml 用于检测眼睛等。

2，代码讲解

#include <iostream> #include <opencv2/opencv.hpp>

这两行代码包含了必要的头文件。iostream 是标准输入输出流库，opencv2/opencv.hpp 是 OpenCV 的主头文件。

using namespace std; using namespace cv;

这两行代码使用 std 和 cv 命名空间中的所有名称，这样在调用函数和类型时就不需要前缀。

void face_detect_demo() { // ... }

定义了一个名为 face_detect_demo 的函数，用于执行人脸检测演示。

cv::CascadeClassifier face_cascade;

创建了一个 CascadeClassifier 对象，用于加载和使用级联分类器进行人脸检测。

if (!face_cascade.load("...")) { std::cerr << "Error loading face cascade model!" << std::endl; return; }

尝试加载人脸检测模型（XML 文件）。如果加载失败，输出错误信息并返回。

cv::VideoCapture capture(0);

创建了一个 VideoCapture 对象，尝试打开默认摄像头。

if (!capture.isOpened()) { std::cerr << "Error opening camera!" << std::endl; return; }

检查摄像头是否成功打开，如果失败，输出错误信息并返回。

cv::Mat frame; while (capture.read(frame)) { // ... }

循环读取摄像头的每一帧图像。如果无法读取帧，循环将终止。

cv::cvtColor(frame, gray, cv::COLOR_BGR2GRAY);

将当前帧从 BGR 颜色空间转换为灰度图像。

cv::equalizeHist(gray, gray);

对灰度图像进行直方图均衡化，以提高图像的对比度。

cv::bilateralFilter(gray, dst, 20, 150, 150);

对灰度图像应用双边滤波，以减少噪声并保留边缘。

std::vector<cv::Rect> faces; face_cascade.detectMultiScale(dst, faces, 1.1, 3, 0, cv::Size(30, 30));

使用 CascadeClassifier 对象在图像 dst 中检测人脸，并返回检测到的人脸区域列表。

for (const auto& face : faces) { cv::rectangle(frame, face, cv::Scalar(255, 0, 0), 2); }

遍历检测到的每个人脸区域，并在原始帧图像上绘制蓝色矩形框。

cv::imshow("Face Detection Demo", frame);

在窗口 "Face Detection Demo" 中显示带有人脸标记的帧图像。

if (cv::waitKey(30) == 27) { break; }

等待 30 毫秒的按键事件，如果检测到按键值为 27（ESC 键），则退出循环。

capture.release(); cv::destroyAllWindows();

释放摄像头资源并销毁所有创建的窗口。

int main() { // ... }

程序的入口点。

Mat img = imread("2.png"); if (img.empty()) { cout << "Could not open or find the image" << endl; return -1; }

尝试读取名为 "2.png" 的图像文件。如果文件无法打开或找不到，输出错误信息并返回 -1。

face_detect_demo();

调用 face_detect_demo 函数执行人脸检测演示。

return 0;

正常退出程序，返回 0 表示成功状态。

3，全部代码

#include <iostream>
#include<opencv2/opencv.hpp>using namespace std;
using namespace cv;void face_detect_demo()
{// 加载人脸检测器模型cv::CascadeClassifier face_cascade;if (!face_cascade.load("E:/Opencv/opencv/build/etc/haarcascades/haarcascade_frontalface_default.xml")){std::cerr << "Error loading face cascade model!" << std::endl;return;}// 在这里添加进行人脸检测的代码// 例如，可以在摄像头捕获的每一帧上运行人脸检测cv::VideoCapture capture(0);  // 打开默认摄像头if (!capture.isOpened()){std::cerr << "Error opening camera!" << std::endl;return;}cv::Mat frame;while (capture.read(frame)){// 转换图像为灰度图cv::Mat gray;cv::cvtColor(frame, gray, cv::COLOR_BGR2GRAY);cv::equalizeHist(gray, gray);  // 直方图均衡化提高对比度//进行双边滤波cv::Mat dst;cv::bilateralFilter(gray, dst, 20, 150, 150);// 进行人脸检测std::vector<cv::Rect> faces;face_cascade.detectMultiScale(dst, faces, 1.1, 3, 0, cv::Size(30, 30));// 在图像上标记检测到的人脸for (const auto& face : faces){cv::rectangle(frame, face, cv::Scalar(255, 0, 0), 2);  // 用蓝色矩形标记人脸}// 显示结果cv::imshow("Face Detection Demo", frame);// 检测按键，按下ESC键退出循环if (cv::waitKey(30) == 27){break;}}capture.release();	// 释放摄像头cv::destroyAllWindows();	// 销毁所有窗口
}int main()
{Mat img = imread("2.png");if (img.empty()){cout << "Could not open or find the image" << endl;return -1;  //return -1; 通常用作从 main 函数返回一个错误状态码}face_detect_demo();return 0;
}

4，结果展示