目前我正在研究一個(gè)涉及人臉?lè)诸?lèi)的計(jì)算機(jī)視覺(jué)問(wèn)題。這通常意味著需要應(yīng)用深度學(xué)習(xí)，因此在將圖像注入到我們的神經(jīng)網(wǎng)絡(luò)之前需要一個(gè)特殊的預(yù)處理階段。為了提高我們的模型精度，這是一項(xiàng)非常重要的任務(wù)，通過(guò)以下幾個(gè)簡(jiǎn)單的步驟可以很好地完成。對(duì)于本文，我們使用OpenCV：一個(gè)高度優(yōu)化的計(jì)算機(jī)視覺(jué)開(kāi)源庫(kù)，在C＋＋、java和Python中都可用。這是一篇簡(jiǎn)短的文章，包含了一些基本的指導(dǎo)原則、示例和代碼，你可以根據(jù)需求將它們應(yīng)用到人臉?lè)诸?lèi)或識(shí)別問(wèn)題上。注意：本文中使用的所有靜態(tài)圖像都來(lái)自 圖片載入我們將使用imread（）函數(shù)加載圖像，指定文件的路徑和mode，第二個(gè)參數(shù)對(duì)于動(dòng)態(tài)運(yùn)行通道和像素轉(zhuǎn)換非常重要。mode：https：／／docs．opencv．org／4．1．0／d4／da8／group＿＿imgcodecs．html＃ga61d9b0126a3e57d9277ac48327799c80img ＝ cv2．imread（＇path／image．jpg＇， cv2．IMREAD＿COLOR）要查看圖像，我們有imshow（）函數(shù)：cv2．imshow（img）

如果你寫(xiě)的是類(lèi)型（img），你會(huì)看到尺寸是（height， weight， channels）。我們的彩色圖像有3個(gè)通道：藍(lán)色，綠色和紅色（在OpenCV中按這個(gè)順序）。

我們可以輕松查看單個(gè)通道：＃ Example for green channelimg［：， ：， 0］； img［：， ：， 2］； cv2．imshow（img）灰度版本為了避免在人臉圖像分類(lèi)中的干擾項(xiàng)，使用黑白圖片是個(gè)好主意（也可能不是�。┠憧梢�?xún)烧叨荚囋嚕�。為了得到灰度版本，我們只需要在圖像加載函數(shù)中指定，將適當(dāng)?shù)闹底鳛榈诙�個(gè)參數(shù)傳遞：img ＝ cv2．imread（＇path／image．jpg＇， cv2．IMREAD＿GRAYSCALE）

現(xiàn)在我們的圖像有了一個(gè)單獨(dú)的通道！人臉和眼睛檢測(cè)當(dāng)處理人臉?lè)诸?lèi)問(wèn)題時(shí)，我們可能想要做人臉檢測(cè)，來(lái)做人臉驗(yàn)證任務(wù)（是否有臉？）。我們可以使用OpenCV中包含的基于Haar特性的級(jí)聯(lián)分類(lèi)器進(jìn)行人臉檢測(cè)。（https：／／docs．opencv．org／2．4／modules／objdetect／doc／cascade＿classification．html）首先，我們選擇預(yù)先訓(xùn)練的人臉和眼睛檢測(cè)分類(lèi)器。有一個(gè)可用的XML文件列表，我們可以使用此列表：https：／／github．com／opencv／opencv／tree／master／data／haarcascades1）對(duì)于人臉檢測(cè)，OpenCV提供以下（從最寬松的先驗(yàn)到最嚴(yán)格的先驗(yàn)）：haarcascade＿frontalface＿default．xmlhaarcascade＿frontalface＿alt．xmlhaarcascade＿frontalface＿alt2．xmlhaarcascade＿frontalface＿alt＿tree．xml2） 對(duì)于眼睛檢測(cè)，我們可以選擇兩種方法：haarcascade＿eye．xmlhaarcascade＿eye＿tree＿eyegasses．xml我們以這種方式加載預(yù)先訓(xùn)練的分類(lèi)器：face＿cascade ＝ cv2．CascadeClassifier（cv2．data．haarcascades ＋ ‘haarcascade＿frontalface＿default．xml’）eyes＿cascade ＝ cv2．CascadeClassifier（cv2．data．haarcascades ＋ ‘haarcascade＿eye．xml’）你可以測(cè)試幾種組合。記住，在所有情況下，它們中沒(méi)有一個(gè)是最優(yōu)的（如果第一個(gè)分類(lèi)器失敗，你可以嘗試第二個(gè)分類(lèi)器，或者甚至嘗試所有分類(lèi)器）。對(duì)于人臉檢測(cè)，我們使用以下代碼：faces＿detected ＝ face＿cascade．detectMultiScale（img， scaleFactor＝1．1， minNeighbors＝5）結(jié)果是一個(gè)數(shù)組，包含所有檢測(cè)到的人臉。我們可以很容易地畫(huà)出矩形：（x， y， w， h） ＝ faces＿detected［0］cv2．rectangle（img， （x， y）， （x＋w， y＋h）， （0， 255， 0）， 1）；cv2．imshow（img）