使用 OpenCV 和 Haar Cascade 检测人脸

技术讲解

1. 环境准备

Python 和 OpenCV

确保你的开发环境中安装了 Python 3.x 和 OpenCV。OpenCV 是一个开源的计算机视觉和机器学习软件库，提供了大量的图像处理和计算机视觉算法。它支持多种编程语言，包括 Python。

安装 OpenCV：

pip install opencv-python

2. Haar Cascade 模型

Haar Cascade 分类器

OpenCV 提供了预训练的 Haar Cascade 分类器来检测图像中的人脸。cv2.CascadeClassifier 是用来加载这些分类器的一个类。在这个例子中，我们使用的是 haarcascade_frontalface_default.xml，这是 OpenCV 提供的一个默认的人脸检测模型。

加载 Haar Cascade 模型：

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

3. CUDA 设备设置

CUDA 设备可见性

如果你的应用程序需要使用 GPU，可以使用环境变量 CUDA_VISIBLE_DEVICES 来设置哪些 GPU 设备是可见的。这在有多个 GPU 的情况下特别有用，可以指定应用程序使用特定的 GPU。

设置 CUDA 可见设备：

import cv2
import os
from pathlib import Path
import shutil

# 加载预训练的 Haar cascade 模型
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 设置 CUDA 可见设备
os.environ["CUDA_VISIBLE_DEVICES"] = "0"  # 设置为你的 GPU 设备号

# 定义参考文件夹
REFERENCE_DIR = "no_faces"
os.makedirs(REFERENCE_DIR, exist_ok=True)

4. 图像处理

加载和调整大小

为了提高检测效率，通常会对图像进行缩放。缩放可以减少处理时间，同时保持足够的分辨率来进行人脸检测。

加载并调整图像大小：

def load_and_resize_image(file_path, max_size=1024):
    image = cv2.imread(file_path)
    if image is None:
        raise FileNotFoundError(f"Could not load image from {file_path}")
    
    height, width = image.shape[:2]
    scale = min(max_size / height, max_size / width)
    image = cv2.resize(image, (int(width * scale), int(height * scale)))
    return image

人脸检测

使用 Haar Cascade 分类器检测图像中的人脸。detectMultiScale 方法接受多个参数，其中 scaleFactor 控制每次图像尺寸变化的比例因子，minNeighbors 表示检测到的目标周围至少有多少个邻居才能认定为真实目标，minSize 表示检测到的目标的最小尺寸。

检测图像中的人脸：

def detect_faces(image):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    face_rects = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
    return face_rects

5. 文件操作

移动图片

当检测到图片中没有人脸时，将图片移动到一个特定的文件夹中。使用 shutil.move 函数可以轻松实现这一点。

移动图片到无脸文件夹：

def move_image_to_no_faces_folder(file_path):
    destination = Path(REFERENCE_DIR) / file_path.name
    shutil.move(str(file_path), str(destination))

6. 主函数

最后，编写一个主函数来处理指定文件夹中的所有 .png 图片，并调用上述函数完成人脸检测和图片分类。

处理图片：

def process_image(png_file):
    try:
        print(f"Processing {png_file.name}...")
        image = load_and_resize_image(png_file)
        face_rects = detect_faces(image)
        
        if len(face_rects) == 0:
            print(f"No faces detected in {png_file.name}. Moving to no_faces folder.")
            move_image_to_no_faces_folder(png_file)
        else:
            print(f"Faces detected in {png_file.name}.")
    except Exception as e:
        print(f"Error processing {png_file.name}: {str(e)}")

def process_images(directory):
    directory_path = Path(directory)
    png_files = list(directory_path.glob('*.png'))
    
    for png_file in png_files:
        process_image(png_file)

if __name__ == "__main__":
    input_directory = 'images'  # 请确保这个路径是正确的
    process_images(input_directory)

总结

通过上述代码，我们可以自动检测图片中是否存在人脸，并将无人脸的图片分类到特定文件夹中。这种方法在处理大量图片时非常有用，特别是在需要对图片进行初步筛选的情况下。使用 OpenCV 的 Haar Cascade 模型和 Python 的标准库函数，我们可以轻松实现这一功能。