0. 前情回顾

上一节我们介绍了opencv-contrib库以及传统的人脸识别算法，包括Eigenfaces、Fisherfaces和LBPH。但从实践情况看，传统的人脸识别算法在复杂环境下（如光照变化、角度变化等）的识别率较低。为了提高一些场景下的识别率，我们可以将传统的人脸识别算法与人脸检测算法结合起来。好了，今天我们就重点说说人脸检测。

1. 目标检测

人脸检测属于计算机视觉中的目标检测范畴，其目标是在图像或视频中定位和识别出人脸区域。 下面使用了论文《Object Detection in 20 Years: A Survey》中的一张图，来简单回顾下目标检测的发展历程。

1.1 手工特征时代

这个时期是传统的检测方法时代，主要特点是手工设计特征 + 滑动窗口 + 分类器。 请出主要代表：Viola-Jones (2001)：Haar-like 特征 + AdaBoost + 级联结构 → 实时人脸检测HOG + SVM (2005)：用于行人检测，捕捉边缘方向DPM (2008–2010)：将物体分解为“根 + 部件”，可变形匹配，PASCAL VOC 冠军多年

1.2 两阶段深度学习

将检测分成两个阶段：先生成候选区域（Region Proposal），再分类+回归。 请出主要代表：R-CNN：用 Selective Search 生成 2000 个候选框 → 逐个送入 CNN → SVM 分类Fast R-CNN：共享卷积特征 + RoI Pooling → 速度提升 10 倍Faster R-CNN：用 RPN（Region Proposal Network） 替代 Selective Search → 全卷积、端到端 它的优势是精度高，成为学术标准。但是也有缺点，两阶段的速度受到了些许的限制。

1.3 单阶段深度学习

让检测一步到位，直接在特征图上预测边界框。 请出主要代表：YOLO v1 (You Only Look Once)：将图像划分为 S×S 网格，每个网格预测 B 个框 → 实时检测SSD(Single Shot MultiBox Detector)：在多个尺度特征图上检测 → 更好处理小目标RetinaNet：提出 Focal Loss，解决前景/背景极端不平衡问题 → 单阶段精度首次超越两阶段 它的优势就是快，并能够在移动端和嵌入式部署。

1.4 Transformer与无锚框

主要代表是DETR：用Transformer编码器-解码器直接输出固定数量的检测结果，无需NMS后处理（好省心），真正端到端。它的缺点是训练慢、小目标性能差。

1.5 小总结

2. 基于Viola-Jones算法的cv2.CascadeClassifier

cv2.CascadeClassifier是OpenCV中用于基于Haar特征或LBP特征的级联分类器（Cascade Classifier） 的核心类，主要用于实时目标检测，尤其在人脸、眼睛、身体等刚性物体检测中广泛应用。经过许多年的发展，它依然凭借着速度快、内存占用低、无需GPU、部署简单，在嵌入式设备、实时视频流、教学和轻量级应用中占据重要地位。

2.1 Viola-Jones算法背后的故事

很多年前，微软研究院来了两位年轻的员工（有人称他们为科学家）： 保罗·维奥拉（Paul Viola）：一个数学天才，喜欢思考“怎么用最简单的方法解决问题”； 迈克尔·琼斯（Michael Jones）：一个工程高手，总想着“这玩意儿能不能跑在普通电脑上？” 他们在寻找一个通用的目标检测方案。

有一天，保罗盯着一张人脸照片发呆。他忽然想到：“人脸其实有很多明暗规律啊！ 眼睛比脸颊暗； 鼻梁比两边亮； 嘴巴下方比上方暗……” 于是他画了一些简单的“黑白格子”来捕捉这些规律：

[白][黑]   → 能检测垂直边缘（比如鼻梁）
[黑]
[白]       → 能检测水平边缘（比如眼睛）
[白][黑][白] → 能检测一条亮线（比如眉毛）

通过这些规律，不用理解“这是眼睛”，只要知道“这里暗、那里亮”就够了！而这些格子，就是后来大名鼎鼎的Haar-like特征。

但问题来了：一张图有成千上万个位置，每个位置又有上万个格子组合——这要算到猴年马月呢？ 这时，迈克尔拍了下桌子：“我们能不能提前算好一张‘速查表’？”他们想到了一个叫**积分图（Integral Image）**的妙招： 先花一点时间，把整张图变成一张“累加和地图”； 之后，任何矩形区域的亮度和，只要查4个数就能算出来！从此，特征计算的速度就像坐上了火箭。

但还有最后一个大问题：怎么判断一个区域是不是人脸？ 传统方法是训练一个“超级大脑”来判断——但太慢了。 保罗和迈克尔想了个绝招：别用一个大脑，用一串小关卡！ 他们设计了一座“级联筛子塔”： 第一层：只用 2 个最简单的格子（比如“眼睛暗不暗？”）→ 如果连这都过不了，立刻扔掉！（90% 的背景在这就被筛掉了） 第二层：用 10 个稍复杂的格子再检查 → 又筛掉一大半。 …… 最后一层：用几百个格子精细确认。结果95%的区域在第一关就被淘汰，根本不用算后面的！

于是，他们俩在2001年将这个重大发现发表在了论文中：Rapid Object Detection using a Boosted Cascade of Simple Features

2.2 “Haar-like特征”指的是什么？

Alfréd Haar（1885–1933）是一位匈牙利数学家，师从著名数学家 David Hilbert。他在博士论文中首次构造了一组分段常数的正交函数基，用于函数逼近。这组基就是今天所说的 Haar 小波，是所有小波分析的起点。所以，“Haar” 不是一个缩写，而是人名，发音近似 “哈”（/hɑːr/）。 Viola和 Jones在2001年并没有直接使用Haar小波，而是受其启发，设计了一类更简单的矩形特征，称为 Haar-like Features（类 Haar 特征）。 这些特征由相邻矩形区域的像素和之差构成，例如：

2.3 CascadeClassifier支持的特征类型

OpenCV提供两类预训练级联模型：

2.4 OpenCV自带的常用预训练模型

安装 OpenCV 后，这些文件通常位于：

• Python: site-packages/cv2/data/
• C++: OpenCV 源码的 data/haarcascades/ 目录

人脸相关

其他

• haarcascade_fullbody.xml：全身人
• haarcascade_upperbody.xml：上半身
• haarcascade_smile.xml：微笑检测

💡 获取路径（Python）：

import cv2
print(cv2.data.haarcascades)  # 输出级联文件目录

3. CascadeClassifier的实践

3.1 创建分类器

# 加载 Haar 模型
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 或加载自定义路径
face_cascade = cv2.CascadeClassifier('my_face_model.xml')

注意：检查是否加载成功！

if face_cascade.empty():
raise IOError("无法加载级联分类器")

3.2 检测目标：detectMultiScale()

faces = face_cascade.detectMultiScale(
    image,           # 输入图像（建议灰度图）
    scaleFactor=1.1, # 图像缩放比例（用于多尺度检测）
    minNeighbors=5,  # 每个候选框需有多少个邻居才保留（越大越严格）
    minSize=(30, 30),# 最小检测尺寸
    maxSize=(300, 300)# 最大检测尺寸（可选）
)

参数说明：

返回值：Nx4 的 NumPy 数组，每行为 [x, y, w, h]（左上角坐标 + 宽高）

3.3 完整人脸检测示例

import cv2

# 1. 加载分类器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
if face_cascade.empty():
raise IOError("无法加载人脸级联文件")

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

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

# 4. 绘制结果
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

# 5. 显示
cv2.imshow('Detected Faces', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

检测结果如下：

4. 人脸识别前加入人脸检测

最关键的环节来了，我们要将人脸检测功能加入到上一节的人脸识别中，这样可以强化训练和验证。 首先，加载Haar人脸检测器：

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
if face_cascade.empty():
raise IOError("❌ 无法加载 Haar 人脸检测模型！")

其次新增方法，检测图像中最大的人脸并会返回剪裁后的灰度图：

defdetect_largest_face(img):
if img isNone:
returnNone
if len(img.shape) == 3:
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
else:
        gray = img.copy()

    faces = face_cascade.detectMultiScale(
        gray,
        scaleFactor=1.1,
        minNeighbors=5,
        minSize=(60, 60)
    )

if len(faces) == 0:
returnNone

# 选择面积最大的人脸（通常是最清晰/最近的）
    areas = [w * h for (x, y, w, h) in faces]
    idx = np.argmax(areas)
    x, y, w, h = faces[idx]
    face_crop = gray[y:y + h, x:x + w]
return face_crop

从每个文件夹加载图像，自动检测并裁剪人脸：

defload_and_crop_faces_from_folders(folder_dict):
    images = []
    labels = []
    skipped = 0

for name, label in folder_dict.items():
        folder_path = name
ifnot os.path.exists(folder_path):
            print(f"⚠️ 警告：文件夹 {folder_path} 不存在，跳过")
continue
for filename in os.listdir(folder_path):
ifnot filename.lower().endswith(('.png', '.jpg', '.jpeg')):
continue
            img_path = os.path.join(folder_path, filename)
            img = cv2.imread(img_path)
if img isNone:
                skipped += 1
continue

# 关键步骤：检测并裁剪人脸
            face_img = detect_largest_face(img)
if face_img isNone:
                print(f"⚠️ 未在 {img_path} 中检测到人脸，跳过")
                skipped += 1
continue

            images.append(face_img)
            labels.append(label)

    print(f"✅ 成功加载 {len(images)} 张人脸，跳过 {skipped} 张无效图像")
return images, labels

主函数中调用训练和识别：

train_images, train_labels = load_and_crop_faces_from_folders(FOLDERS)

if len(train_images) == 0:
raise ValueError("❌ 没有成功加载任何人脸图像！请检查 o/t/m 文件夹中的图片是否包含清晰正面人脸。")

    print(f"📊 标签分布: {dict(zip(*np.unique(train_labels, return_counts=True)))}")

# 统一尺寸（所有人脸 resize 到相同大小）
    TARGET_SIZE = (400, 300)
    train_images = [preprocess_image(img, TARGET_SIZE) for img in train_images]

# 训练 LBPH 模型
    print("🧠 训练 LBPH 人脸识别模型...")
    model = cv2.face.LBPHFaceRecognizer_create()
    model.train(train_images, np.array(train_labels))

# ===== 测试阶段（同样先检测人脸）=====
ifnot os.path.exists(TEST_FOLDER):
raise ValueError(f"❌ 测试文件夹 '{TEST_FOLDER}' 不存在！")

    test_files = [f for f in os.listdir(TEST_FOLDER) if f.lower().endswith(('.png', '.jpg', '.jpeg'))]
ifnot test_files:
raise ValueError(f"❌ 测试文件夹 '{TEST_FOLDER}' 中没有图片！")

    print(f"\n🔍 开始测试 {len(test_files)} 张图片...\n")

for test_file in test_files:
        test_path = os.path.join(TEST_FOLDER, test_file)
        test_img = cv2.imread(test_path)
if test_img isNone:
            print(f"⚠️ 跳过无效图像: {test_file}")
continue

# 检测测试图中的人脸
        detected_faces, face_rects = [], []
        gray_test = cv2.cvtColor(test_img, cv2.COLOR_BGR2GRAY) if len(test_img.shape) == 3else test_img
        faces = face_cascade.detectMultiScale(
            gray_test,
            scaleFactor=1.1,
            minNeighbors=5,
            minSize=(60, 60)
        )

if len(faces) == 0:
            print(f"{test_file}: ❌ 未检测到任何人脸")
continue

        print(f"{test_file}: 检测到 {len(faces)} 张人脸")
for i, (x, y, w, h) in enumerate(faces):
            face_roi = gray_test[y:y + h, x:x + w]
            face_resized = preprocess_image(face_roi, TARGET_SIZE)
            predicted_label, confidence = model.predict(face_resized)

if confidence < THRESHOLD and predicted_label in LABEL_TO_NAME:
                person_name = LABEL_TO_NAME[predicted_label]
                result = f"  👤 人脸 {i + 1}: ✅ {person_name} (置信度: {confidence:.1f})"
else:
                result = f"  👤 人脸 {i + 1}: ❌ 未知 (置信度: {confidence:.1f})"
            print(result)

    print("训练与测试完成！")

结果如下图：

5. 最后

通过实践可以发现，有了人脸检测的加持，识别的准确率提升了很多。 至此，传统算法的人脸识别任务完成。下一期，让我们来搞搞深度学习的人脸识别！ 有什么问题，我们评论区见。

参考：

1. OpenCV官方文档之Cascade Classifier
2. Object Detection in 20 Years: A Survey