Haar+adaboost分類器實現人臉識別：
其中運用了很多opencv自帶的包，然後這裏的代碼裏面都有很詳細的註釋，可以看一下，最後的效果不是很好，之後會慢慢改進，也運用了opencv裏面自帶的兩個xml文件，一個是檢測人臉的xml文件，另外一個是檢測眼睛的xml文件，都可以在opencv官網下載的opencv開源包中找到，這裏，我上傳到csdn上，附上鍊接可以下載：點擊此處跳轉，可以下載一下。
整個操作流程是：1.load xml文件 2.夾在圖片 3.haar特徵，灰度處理（所有的haar特徵基於灰度圖的）4.檢測人臉 5.繪製標註
每一步的操作詳細註釋可以看一下
import cv2
import numpy as np
# 1.load xml文件 2.夾在圖片 3.haar特徵，灰度處理（所有的haar特徵基於灰度圖的），4.檢測人臉 5.繪製標註
# 加載引入xml文件
face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml')
img = cv2.imread('face.png')
cv2.imshow('src', img)
# 計算haar特徵，但是opencv自帶的已經解決，所以只需要轉換成灰度圖即可
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 檢測；cv2中有自帶的檢測方法
faces = face_xml.detectMultiScale(gray, 1.3, 5)
# 檢測圖像中的人臉,第一個參數，灰度圖片的數據，縮放係數，harr特徵需要的比例縮放的操作；目標大小，人臉不能小於5
print('face=', len(faces))
# 繪製人臉，給人臉畫寬高
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)
roi_face = gray[y:y+h, x:x+w]
roi_color = img[y:y+h, x:x+w]
# 也必須是灰度圖
eyes = eye_xml.detectMultiScale(roi_face)
print('eye=', len(eyes))
for (x2, y2, w2, h2) in eyes:
cv2.rectangle(img, (x2, y2), (x2+w2, y2+h2), (0, 255, 0), 2)
cv2.imshow('dst', img)
cv2.waitKey(0)
輸出的結果爲：
效果有一些偏差，後面可以慢慢優化。