1. 人脸检测基础

任务说明

本案例实现一个基于OpenCV Haar Cascade的静态图像人脸检测器。输入一张包含人脸的图片，程序输出标注了人脸边界框的结果图片，并在控制台打印检测到的人脸数量与坐标信息。

实现方案

使用OpenCV预训练的Haar级联分类器haarcascade_frontalface_default.xml完成检测。核心流程为：加载分类器→读取图像→转为灰度图→执行检测→绘制矩形框→保存并显示结果。检测参数中scaleFactor=1.1控制每层缩放比例，minNeighbors=5用于过滤误检，minSize=(30,30)忽略小于该尺寸的候选区域。

代码实现

import cv2

# 加载Haar级联分类器（OpenCV自带预训练模型）
cascade_path = cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
face_cascade = cv2.CascadeClassifier(cascade_path)

# 读取输入图像（请将图片放在与本脚本相同目录）
img_path = 'test_face.jpg'
img = cv2.imread(img_path)
if img is None:
    raise FileNotFoundError(f'无法读取图像: {img_path}，请检查文件路径')

# 转为灰度图（Haar特征在灰度图上计算）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 执行人脸检测
faces = face_cascade.detectMultiScale(
    gray,
    scaleFactor=1.1,
    minNeighbors=5,
    minSize=(30, 30)
)

# 绘制边界框并输出信息
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
    print(f'检测到人脸: x={x}, y={y}, width={w}, height={h}')

print(f'共检测到 {len(faces)} 张人脸')

# 保存结果并显示
output_path = 'output_faces.jpg'
cv2.imwrite(output_path, img)
print(f'结果已保存至: {output_path}')

cv2.imshow('Face Detection', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行与验证

依赖安装：确保Python环境已安装OpenCV库，执行pip install opencv-python。

运行步骤：

1. 将代码保存为face_detect.py；
2. 准备一张包含人脸的测试图片（如test_face.jpg），放在同一目录；
3. 执行python face_detect.py。

判定标准：

• 程序正常结束，无报错；
• 控制台输出检测到的人脸坐标与数量；
• 弹出窗口显示原图，人脸位置有绿色矩形框；
• 同目录下生成output_faces.jpg，矩形框位置与显示一致。

注意事项

Haar Cascade对正面人脸检测效果较好，对侧脸、遮挡或光照不均的情况可能出现漏检。若检测效果不理想，可尝试调整scaleFactor至1.05～1.1之间，或降低minNeighbors至3～4，但误检率会相应上升。本案例仅处理静态单张图片，视频流检测需在循环中逐帧调用相同接口。