安裝Anaconda環境

訪問Anaconda網站下載最新版本的Anaconda for Windows。

Anaconda平臺網站下載頁面。

注意：確保選擇Python 3.6版本和相應的體系結構（32位或64位）。

安裝Anaconda環境及其默認值設置。

Anaconda平臺的高級版安裝選項窗口。

確保保留“將Anaconda添加到我的PATH環境變量”選項取消選擇。

一個窗口，顯示使用Anaconda平臺安裝Microsoft Visual Studio代碼安裝的選項。

本教程不需要安裝“Microsoft Visual Studio Code”，因為它將使用Spyder IDE環境以Python編程。

繼續并選擇在出現時跳過安裝選項。

一些程序將是我通過設置過程安裝：Anaconda Prompt，Anaconda Navigator和Spyder IDE。

完成安裝后，在Windows任務欄中搜索“Anaconda Prompt”并打開桌面應用程序。

在搜索框中顯示Anaconda Prompt桌面應用程序的Windows任務欄。

使用Anaconda提示

要測試Anaconda命令是否正常工作，請運行以下代碼。

測試Anaconda命令是否正常運行所需的特定代碼。

此過程中，為Python 3.5版本創建了一個新的Anaconda環境。

使用Anaconda安裝程序設置了Python 3.6版本，但出于兼容性原因，我們將使用帶有Open CV3的Python 3.5版本分布。

創建新環境

使用Anaconda創建新環境所需的特定代碼。

你會找到一個輸出如下所示的例子：

使用Anaconda激活新環境所需的代碼輸出示例。

Anaconda將安裝一些新包;只需輸入‘y’表示是，然后按回車鍵繼續安裝。

在下一步中，我們將安裝更多的包，所以讓Anaconda經銷商安裝所需的包，否則它可能會沒有與Python正確集成。

安裝完成后，環境被激活：

在Anaconda中激活確認環境的特定代碼。

如果安裝成功完成，您會注意到‘（base）’環境已更改為新環境。

這表示新環境已激活并且Anaconda已將‘$ PATH’變量更改為‘C：/Users/Akshay/Anaconda3/envs/MyOpenCV’位置?，F在所有未來的安裝都只適用于這個特定的環境。

Python版本現在也應該顯示為Python 3.5而不是系統版本。

確認Anaconda平臺當前正在運行的Python版本的特定代碼。

安裝OpenCV3和依賴項

首先，安裝NumPy庫進行科學計算。

安裝NumPy庫所需的特定代碼。

然后安裝anaconda-client。

安裝anaconda-client所需的特定代碼。

最后，安裝OpenCV3（由于它的大小，可能需要一些時間才能下載庫。）

在Anaconda平臺中安裝OpenCV3所需的特定代碼。

現在使用Anaconda安裝并運行Spyder IDE for Python。

在Windows任務欄中搜索“Anaconda Navigator”并打開它。

從那里可以選擇新環境并安裝Spyder。

Anaconda平臺應用程序頁面的屏幕截圖。

顯示Spyder位置的屏幕截圖Anaconda平臺中的環境。

安裝Spyder后，通過選擇啟動來打開程序。/p》

人臉檢測算法

確保OpenCV平臺在Python中運行。您可以使用以下代碼：

確認OpenCV平臺所需的特定代碼在Python中正常運行。

如果它去了如上所示的下一行沒有返回錯誤，那么你將設置為繼續下一步。

你需要下載所需的Python腳本（.pv），帶有faces的圖像（。 jpg）和本文末尾提供的XML格式的Haar級聯分類器（.xml）。

注意：請確保將所有這些文件保存在同一文件夾中以方便訪問。

Haar級聯分類器背后的理論有點復雜，為了簡化它，基本上它們是包含OpenCB檢測對象所需的所有數據的XML文件，如本例中的面部。

分類器通過機器學習方法進行訓練，以檢測圖像中的模式，以識別其中的面部。

‘文件瀏覽器選項卡’w ill允許您導航到保存先前文件的文件夾。

您可以使用以下代碼檢查當前工作目錄：

確認當前工作目錄所需的特定代碼。

如果代碼輸出文件存儲位置的文件夾位置，那么你就可以了。

代碼細分

包含將用于面部檢測的XML文件和圖像的特定代碼。

由于設置了一個文件夾，其中包含所有必需文件作為當前工作目錄，因此可以搜索文件名沒有完整路徑的情況。

為此項目選擇的XML文件用于檢測直接面向攝像機的面。

如果可以使用不同的分類器，期望。

指定的特定代碼分類器。

此時，我們創建了級聯分類器并使用我們的XML文件對其進行初始化。這會加載所需的數據以檢測變量‘haar_face_cascade’中的面。

將照片轉換為灰度所需的特定代碼。

現在使用OpenCV的庫函數可以將使用的photo.jpg轉換為灰度。

注意：大多數圖像機器學習操作都以灰度顯示。

執行人臉檢測算法所需的特定代碼。

上面的函數執行人臉檢測算法，可以分解為：

detectMultiScale：檢測對象的常規函數。

灰度：將照片轉換為灰度顏色。

scaleFactor：補償

minSize：可能的最小對象大小，任何小于通過此函數指定的對象的對象都將被忽略。

minNeighbors：定義需要在窗口周圍檢測到的面部圖案的數量，以將空間聲明為面。 注意：建議將此函數的值設置為0，然后逐漸增加它以查看輸出如何變化。

上述函數值為設置為最常用的那些。

鼓勵嘗試使用不同的值來找到最佳設置。

執行該功能時，矩形標記面的位置在圖像中。它還提供矩形左上角的坐標（x，y）及其寬度（w）和高度（h）。

可以使用以下代碼提取信息：

提取值所需的特定代碼用于標記照片中檢測到的面部的矩形。

我們使用這些值來使用cv.rectange函數在面周圍繪制一個矩形。

Anaconda平臺在照片中檢測到的面部周圍繪制矩形所需的特定代碼。

最后，我們使用檢測到的面部顯示圖像，并等待用戶按下一個鍵。

人臉檢測結果

我們首先在band.jpg照片上測試算法。

使用Anaconda正確執行人臉檢測的示例。

當我們運行程序時，控制臺應該回復“找到5個面孔！”并輸出帶有矩形的照片，表示其中面部的位置。

對這個家庭進行了第二次測試照片。

Anaconda的一個例子歪曲圖像中的面孔。

該程序在本次審判中歪曲了服裝作為面孔因為與第一張照片不同，所有樂隊成員與相機的距離相同 - 父母離照片的距離遠遠超過照片中的孩子。通過將比例因子調低至1.3，可以輕松解決此問題。

Anaconda的第二個例子正確識別圖像中的面部。

程序現在可以正確識別圖像中的面部。

由于此程序基于機器學習，因此永遠不會提供100％的準確性。如果您在大量圖像樣本上測試算法，您會發現它適用于大多數但不是所有情況。此外，根據照片，需要調整 detectMultiScale 函數中的參數以避免誤報。

最終代碼

1. import cv2

2.

3. # Specify the image path for face detection and XML file for the cascade

4. photo_path = “band.jpg”

5. cascade_path = “haarcascade_frontalface.xml”

6.

7. # Initialise the Haar Cascade Classifier with the XML file

8. haar_face_cascade = cv2.CascadeClassifier（cascade_path）

9.

10. # Read the photo and convert to grayscale

11. photo = cv2.imread（photo_path）

12. grayscale = cv2.cvtColor（photo， cv2.COLOR_BGR2GRAY）

13.

14. # Detect faces in the photo using OpenCV library

15. faces = haar_face_cascade.detectMultiScale（

16. grayscale，

17. scaleFactor = 1.1，

18. minNeighbors = 5，

19. minSize = （30， 30）

20. ）

21.

22. print（“Found {0} faces！”.format（len（faces）））

23.

24. # Draw a rectangle around the faces

25. for （x， y， w， h） in faces：

26. cv2.rectangle（photo， （x， y）， （x+w， y+h）， color = （0， 255， 0）， thickness = 2）

27.

28. cv2.imshow（“Faces found”， photo）

29. cv2.waitKey（0）