從實時視頻流中識別出人臉區域，從原理上看，其依然屬于機器學習的領域之一，本質上與谷歌利用深度學習識別出貓沒有什么區別。程序通過大量的人臉圖片數據進行訓練，利用數學算法建立建立可靠的人臉特征模型，如此即可識別出人臉。幸運的是，這些工作OpenCV已經幫我們做了，我們只需調用對應的API函數即可，先給出代碼：

#-*- coding: utf-8 -*-import cv2import sysfrom PIL import Imagedef CatchUsbVideo(window_name, camera_idx):  cv2.namedWindow(window_name)    #視頻來源，可以來自一段已存好的視頻，也可以直接來自USB攝像頭  cap = cv2.VideoCapture(camera_idx)            #告訴OpenCV使用人臉識別分類器  classfier = cv2.CascadeClassifier("/usr/local/share/OpenCV/haarcascades/haarcascade_frontalface_alt2.xml")    #識別出人臉后要畫的邊框的顏色，RGB格式  color = (0, 255, 0)      while cap.isOpened():    ok, frame = cap.read() #讀取一幀數據    if not ok:            break     #將當前幀轉換成灰度圖像    grey = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)                 #人臉檢測，1.2和2分別為圖片縮放比例和需要檢測的有效點數    faceRects = classfier.detectMultiScale(grey, scaleFactor = 1.2, minNeighbors = 3, minSize = (32, 32))    if len(faceRects) > 0:      #大于0則檢測到人臉                        for faceRect in faceRects: #單獨框出每一張人臉        x, y, w, h = faceRect            cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 2)                #顯示圖像    cv2.imshow(window_name, frame)        c = cv2.waitKey(10)    if c & 0xFF == ord('q'):      break        #釋放攝像頭并銷毀所有窗口  cap.release()  cv2.destroyAllWindows()   if __name__ == '__main__':  if len(sys.argv) != 2:    print("Usage:%s camera_id/r/n" % (sys.argv[0]))  else:    CatchUsbVideo("識別人臉區域", int(sys.argv[1]))

先看一下程序輸出結果：

程序正確的識別出了我的臉，加上空白行不到50行代碼，還是很簡單的。當然，絕大部分的工作OpenCV已經默默地替我們做了，所以我們用起來才這么簡單。關于代碼有幾個地方需要重點交代，首先就是人臉分類器這行：

#告訴OpenCV使用人臉識別分類器classfier = cv2.CascadeClassifier("/usr/local/share/OpenCV/haarcascades/haarcascade_frontalface_alt2.xml")

這行代碼指定OpenCV選擇使用哪種分類器（注意，一定習慣分類這個說法，ML的監督學習研究的就是各種分類問題），OpenCV提供了多種分類器：

上圖為我的電腦上安裝的OpenCV3.2提供的所有分類器，有識別眼睛的（甚至包括左右眼），有識別身體的，有識別笑臉的，甚至還有識別貓臉的，有興趣的可以逐個試試。關于人臉識別，OpenCV提供多個分類器選擇使用，其中haarcascade_frontalface_alt_tree.xml是最嚴格的分類器，光線、帶個帽子都有可能識別不出人臉。其它的稍微好點，default那個識別最寬松，某些情況下我家里的燈籠都會被識別成人臉；）。另外安裝環境不同，分類器的安裝路徑也有可能不同，請在安裝完OpenCV后根據分類器的實際安裝路徑修改代碼。另外再多說一句，如果我們想構建自己的分類器，比如檢測火焰（火災報警）、汽車（確定路口汽車數量），我們依然可以使用OpenCV訓練構建，詳細說明參見OpenCV的官方文檔。