4. 人脸检测基础：Haar Cascade 分类器原理与 OpenCV 实战

人脸检测，说白了就是让计算机在图像里找到人脸的位置。它是整个考勤系统的入口，如果这一步不准，后面的人脸识别、身份比对全白搭。我最早接触这个领域时，用的就是 OpenCV 自带的 Haar Cascade 分类器，虽然现在深度学习模型满天飞，但 Cascade 在轻量级、嵌入式场景下依然很能打。

4.1 Haar Cascade 分类器原理

Haar Cascade 的核心思想，是用一系列简单的矩形特征来刻画人脸。这些特征像乐高积木一样，组合起来就能描述人脸的明暗规律。比如眼睛区域通常比脸颊暗，鼻梁比两侧亮。

Haar 特征长什么样？

• 边缘特征：检测明暗交界，比如眼睛和脸颊的边界
• 线特征：检测细长结构，比如鼻梁的高光
• 中心特征：检测中心与周围的对比，比如眼睛比周围暗

每个特征的计算方式很简单：白色区域像素和减去黑色区域像素和。得到一个数值，代表该区域的对比度。

级联结构——这才是 Cascade 的精髓。它不是用一个强分类器一次搞定，而是把多个弱分类器串成流水线。前几层用最简单的特征快速过滤掉明显不是人脸的区域，后几层用更复杂的特征精细判断。

我记得第一次看 Viola-Jones 时，被这个思路惊艳到了。它就像面试流程：第一轮筛简历，第二轮电话面试，第三轮现场面。每一轮淘汰率都很高，但越往后越精细。

4.2 OpenCV 人脸检测 API 使用

OpenCV 把 Haar Cascade 封装得特别简单。你只需要加载一个预训练的 XML 文件，然后调用 detectMultiScale 方法。我项目中常用的级联分类器文件有：

文件名	适用场景	特点
haarcascade_frontalface_default.xml	正面人脸	最常用，检测速度快
haarcascade_frontalface_alt2.xml	正面人脸	精度略高，速度稍慢
haarcascade_profileface.xml	侧面人脸	用于侧脸检测
haarcascade_eye.xml	眼睛检测	可辅助人脸区域验证

基础代码示例：

import cv2

# 加载级联分类器
face_cascade = cv2.CascadeClassifier(
    'haarcascade_frontalface_default.xml'
)

# 读取图像
img = cv2.imread('test.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

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

# 绘制检测框
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

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

4.3 检测框绘制与参数调优

检测框不只是画个矩形那么简单。在考勤系统中，框的位置和大小直接影响后续的人脸对齐和特征提取。

绘制技巧：

• 使用 cv2.rectangle 绘制边界框，颜色选亮绿或亮蓝，便于调试
• 在框上方添加置信度或 ID 标签，用 cv2.putText
• 对于多人场景，用不同颜色区分不同检测结果

参数调优——这是最考验经验的地方。我踩过不少坑，总结下来就三个核心参数：

参数	作用	调优建议
scaleFactor	图像缩放比例	1.05~1.2，越小越慢但越准
minNeighbors	最小邻居数	3~6，越大误检越少但可能漏检
minSize	最小检测尺寸	根据摄像头距离设定，考勤场景建议 (80,80)

参数调优流程：

1. 先用默认参数跑一遍，观察漏检和误检情况
2. 如果漏检多，降低 minNeighbors 或 scaleFactor
3. 如果误检多，提高 minNeighbors 或增大 minSize
4. 反复迭代，直到找到平衡点

4.4 多尺度检测技巧

人脸在图像中的大小是不固定的。离摄像头近的人脸大，远的人脸小。多尺度检测就是解决这个问题的。

原理：OpenCV 内部会不断缩小图像（或放大检测窗口），在每个尺度上滑动窗口检测。这就是 detectMultiScale 名字的由来。

实际应用中的技巧：

• 固定摄像头场景：考勤机通常固定安装，人脸大小范围相对固定。可以设定合理的 minSize 和 maxSize，减少不必要的尺度扫描
• 多人场景：如果同时检测近处和远处的人脸，scaleFactor 要设小一点（如 1.05），确保小脸也能被检测到
• 性能优化：先检测人脸的大致区域，再在该区域内精细检测。我做过一个优化，先用大尺度快速扫描，找到候选区域后再用小尺度精确定位

嗯，这里要注意一点：多尺度检测不是万能的。如果人脸旋转角度太大（超过 45 度），Haar Cascade 基本就失效了。这时候要么用多角度级联，要么上深度学习模型。

这张图展示了 Haar Cascade 的完整检测流程。从输入图像开始，经过灰度转换、图像金字塔构建，再到级联分类器逐层筛选，最后输出检测框。每个环节都有优化空间，我建议你在实际项目中逐个环节调试，不要一上来就调全局参数。