1、准备
2、代码
3、效果
最近疫情被隔离在家，准备研究一下python的机器学习，看了一些资料。也逛了逛论坛。
机器学习的实例真是太多了，让人眼花缭乱，更加懵逼了。通俗来说，主要两个方面，比较浅层次的就是机器学习，最后才是深度学习。
主要过程就是通过一定的算法来训练大量的数据产生一个数据模型，最后再利用这个模型来分析或计算出出最接近于实际情况的结果。
大概理解了意思之后，我就不再去深究了，直接搞个实例来试试看什么效果。至于更深层级的东西，我比较喜欢在实战中慢慢体会。
1、准备今天实践的是python中的opencv这个库，至于这个库官方肯定比我解释的更加准确，下面是官方的解释。
OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。
没有opencv环境的将opencv先安装一下，为避免版本不一样导致出现问题，我这里在安装命令中将版本号写了出来。
pip install opencv-python==4.6.0.66
python解释器使用的版本是3.8.6，我这里测试使用的是这两个版本是没有问题的。
2、代码下面是整个业务的实现过程，haarcascade_frontalface_default.xml训练模型我是直接在girhub上面下载的。所以这里并没有对数据训练的实现，使用的是别人训练好的模型。
后面的学习中，我会慢慢训练出自己的模型来使用，其实不用自己训练数据模型的话代码量还是比较少的。下面是github的训练模型的下载地址，目前已经2100多的star了。
https://github.com/opencv/opencv/tree/master/data/haarcascades
下载好训练模型之后放在自己本地，一会在调用训练模型的时候直接调用就OK了。导入opencv模块，注意这里导入的名称是cv2。
import cv2
获取训练好的数据模型（haarcascade_frontalface_default.xml这就是我们前面从github上面下载的）。
face_cascade = cv2.CascadeClassifier(r'./haarcascade_frontalface_default.xml')
读取需要分析的原始图片。
image = cv2.imread(r'./pic.webp')
对读取的pic.webp图片做灰度处理。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
识别检测一下women.webp图片中的人脸的个数是多少个。
faces = face_cascade.detectMultiScale(
gray,
scaleFactor=1.15,
minNeighbors=5,
minSize=(5, 5),
flags=cv2.CASCADE_SCALE_IMAGE
)
这时实际上已经检测完成了，使用len函数计算一下检测出的人脸个数。
print("当前图片中共发现{}张人脸".format(len(faces)))
检测出的人脸的信息都存在faces的数组中，遍历一下人脸信息做处理。
for (x, y, w, h) in faces:
# 在识别出的人脸部位画上圆圈
cv2.circle(image, (int((x + x + w) / 2), int((y + y + h) / 2)), int(w / 2), (0, 255, 0), 2)
显示识别出的人脸位置。
cv2.imshow("Face Nums", image)
cv2.waitKey(0)
3、效果
这是在Google上面找的一张照片作为素材，照片中总共有三个人物，下面是原照片。
经过我们的分析以后，发现了三张人脸，并且在人脸部分进行了标记处理。
至此，通过机器学习做的一个简单的人脸识别的功能就完成了。
到此这篇关于Python实现检测照片中的人脸数的文章就介绍到这了,更多相关Python检测照片人脸内容请搜索易知道(ezd.cc)以前的文章或继续浏览下面的相关文章希望大家以后多多支持易知道(ezd.cc)！
