怎样用Python数据科学平台Anaconda在图像中启用面部检测

安装Anaconda环境

访问Anaconda网站下载最新版本的Anaconda for Windows。

Anaconda平台网站下载页面。

注意：确保选择Python 3.6版本和相应的体系结构（32位或64位）。

安装Anaconda环境及其默认值设置。

Anaconda平台的高级版安装选项窗口。

确保保留“将Anaconda添加到我的PATH环境变量”选项取消选择。

一个窗口，显示使用Anaconda平台安装Microsoft Visual Studio代码安装的选项。

本教程不需要安装“Microsoft Visual Studio Code”，因为它将使用Spyder IDE环境以Python编程。

继续并选择在出现时跳过安装选项。

一些程序将是我通过设置过程安装：Anaconda Prompt，Anaconda Navigator和Spyder IDE。

完成安装后，在Windows任务栏中搜索“Anaconda Prompt”并打开桌面应用程序。

在搜索框中显示Anaconda Prompt桌面应用程序的Windows任务栏。

使用Anaconda提示

要测试Anaconda命令是否正常工作，请运行以下代码。

测试Anaconda命令是否正常运行所需的特定代码。

此过程中，为Python 3.5版本创建了一个新的Anaconda环境。

使用Anaconda安装程序设置了Python 3.6版本，但出于兼容性原因，我们将使用带有Open CV3的Python 3.5版本分布。

创建新环境

使用Anaconda创建新环境所需的特定代码。

你会找到一个输出如下所示的例子：

使用Anaconda激活新环境所需的代码输出示例。

Anaconda将安装一些新包;只需输入‘y’表示是，然后按回车键继续安装。

在下一步中，我们将安装更多的包，所以让Anaconda经销商安装所需的包，否则它可能会没有与Python正确集成。

安装完成后，环境被激活：

在Anaconda中激活确认环境的特定代码。

如果安装成功完成，您会注意到‘（base）’环境已更改为新环境。

这表示新环境已激活并且Anaconda已将‘$ PATH’变量更改为‘C：/Users/Akshay/Anaconda3/envs/MyOpenCV’位置。现在所有未来的安装都只适用于这个特定的环境。

Python版本现在也应该显示为Python 3.5而不是系统版本。

确认Anaconda平台当前正在运行的Python版本的特定代码。

安装OpenCV3和依赖项

首先，安装NumPy库进行科学计算。

安装NumPy库所需的特定代码。

然后安装anaconda-client。

安装anaconda-client所需的特定代码。

最后，安装OpenCV3（由于它的大小，可能需要一些时间才能下载库。）

在Anaconda平台中安装OpenCV3所需的特定代码。

现在使用Anaconda安装并运行Spyder IDE for Python。

在Windows任务栏中搜索“Anaconda Navigator”并打开它。

从那里可以选择新环境并安装Spyder。

Anaconda平台应用程序页面的屏幕截图。

显示Spyder位置的屏幕截图Anaconda平台中的环境。

安装Spyder后，通过选择启动来打开程序。/p》

人脸检测算法

确保OpenCV平台在Python中运行。您可以使用以下代码：

确认OpenCV平台所需的特定代码在Python中正常运行。

如果它去了如上所示的下一行没有返回错误，那么你将设置为继续下一步。

你需要下载所需的Python脚本（.pv），带有faces的图像（。 jpg）和本文末尾提供的XML格式的Haar级联分类器（.xml）。

注意：请确保将所有这些文件保存在同一文件夹中以方便访问。

Haar级联分类器背后的理论有点复杂，为了简化它，基本上它们是包含OpenCB检测对象所需的所有数据的XML文件，如本例中的面部。

分类器通过机器学习方法进行训练，以检测图像中的模式，以识别其中的面部。

‘文件浏览器选项卡’w ill允许您导航到保存先前文件的文件夹。

您可以使用以下代码检查当前工作目录：

确认当前工作目录所需的特定代码。

如果代码输出文件存储位置的文件夹位置，那么你就可以了。

代码细分

包含将用于面部检测的XML文件和图像的特定代码。

由于设置了一个文件夹，其中包含所有必需文件作为当前工作目录，因此可以搜索文件名没有完整路径的情况。

为此项目选择的XML文件用于检测直接面向摄像机的面。

如果可以使用不同的分类器，期望。

指定的特定代码分类器。

此时，我们创建了级联分类器并使用我们的XML文件对其进行初始化。这会加载所需的数据以检测变量‘haar_face_cascade’中的面。

将照片转换为灰度所需的特定代码。

现在使用OpenCV的库函数可以将使用的photo.jpg转换为灰度。

注意：大多数图像机器学习操作都以灰度显示。

执行人脸检测算法所需的特定代码。

上面的函数执行人脸检测算法，可以分解为：

detectMultiScale：检测对象的常规函数。

灰度：将照片转换为灰度颜色。

scaleFactor：补偿

minSize：可能的最小对象大小，任何小于通过此函数指定的对象的对象都将被忽略。

minNeighbors：定义需要在窗口周围检测到的面部图案的数量，以将空间声明为面。 注意：建议将此函数的值设置为0，然后逐渐增加它以查看输出如何变化。

上述函数值为设置为最常用的那些。

鼓励尝试使用不同的值来找到最佳设置。

执行该功能时，矩形标记面的位置在图像中。它还提供矩形左上角的坐标（x，y）及其宽度（w）和高度（h）。

可以使用以下代码提取信息：

提取值所需的特定代码用于标记照片中检测到的面部的矩形。

我们使用这些值来使用cv.rectange函数在面周围绘制一个矩形。

Anaconda平台在照片中检测到的面部周围绘制矩形所需的特定代码。

最后，我们使用检测到的面部显示图像，并等待用户按下一个键。

人脸检测结果

我们首先在band.jpg照片上测试算法。

使用Anaconda正确执行人脸检测的示例。

当我们运行程序时，控制台应该回复“找到5个面孔！”并输出带有矩形的照片，表示其中面部的位置。

对这个家庭进行了第二次测试照片。

Anaconda的一个例子歪曲图像中的面孔。

该程序在本次审判中歪曲了服装作为面孔因为与第一张照片不同，所有乐队成员与相机的距离相同 - 父母离照片的距离远远超过照片中的孩子。通过将比例因子调低至1.3，可以轻松解决此问题。

Anaconda的第二个例子正确识别图像中的面部。

程序现在可以正确识别图像中的面部。

由于此程序基于机器学习，因此永远不会提供100％的准确性。如果您在大量图像样本上测试算法，您会发现它适用于大多数但不是所有情况。此外，根据照片，需要调整 detectMultiScale 函数中的参数以避免误报。

最终代码

1. import cv2

2.

3. # Specify the image path for face detection and XML file for the cascade

4. photo_path = “band.jpg”

5. cascade_path = “haarcascade_frontalface.xml”

6.

7. # Initialise the Haar Cascade Classifier with the XML file

8. haar_face_cascade = cv2.CascadeClassifier（cascade_path）

9.

10. # Read the photo and convert to grayscale

11. photo = cv2.imread（photo_path）

12. grayscale = cv2.cvtColor（photo， cv2.COLOR_BGR2GRAY）

13.

14. # Detect faces in the photo using OpenCV library

15. faces = haar_face_cascade.detectMultiScale（

16. grayscale，

17. scaleFactor = 1.1，

18. minNeighbors = 5，

19. minSize = （30， 30）

20. ）

21.

22. print（“Found {0} faces！”.format（len（faces）））

23.

24. # Draw a rectangle around the faces

25. for （x， y， w， h） in faces：

26. cv2.rectangle（photo， （x， y）， （x+w， y+h）， color = （0， 255， 0）， thickness = 2）

27.

28. cv2.imshow（“Faces found”， photo）

29. cv2.waitKey（0）