本篇测评由优秀测评者“eefocus_3914144”提供。

本文将介绍基于米尔电子MYD-LMX93开发板（米尔基于NXP i.MX93开发板）的基于OpenCV的人脸检测方案测试。

OpenCV提供了一个非常简单的接口，用于相机捕捉一个视频(我用的电脑内置摄像头)
1、安装python3-opencv

  1. apt install python3-opencv

2、查看摄像头支持的格式与分辨率

  1. root@debian:~# v4l2-ctl --device=/dev/video0 --list-formats-ext

经测试，只能支持640*480

为此建立opencv_test.py

  1. import cv2
  2. video = cv2.VideoCapture(0)

设置相机参数

video .set(cv2.CAP_PROP_FRAME_WIDTH, 1280)

video .set(cv2.CAP_PROP_FRAME_HEIGHT, 720)

  1. while True:
  2.     ret, frame = video.read()
  3.     cv2.imshow("A video", frame)
  4. c = cv2.waitKey(1)
  5. if c == 27:
  6.     breakvideo.release()cv2.destroyAllWindows()

保存后执行”python3 opencv_test.py

OpenCV装好后，可以为后面的人脸检测提供可行性。

要实现人脸识别功能，首先要进行人脸检测，判断出图片中人脸的位置，才能进行下一步的操作。

OpenCV人脸检测方法

在OpenCV中主要使用了两种特征（即两种方法）进行人脸检测，Haar特征和LBP特征。用得最多的是Haar特征人脸检测，此外OpenCV中还集成了深度学习方法来实现人脸检测。

【参考资料】
使用OpenCV工具包成功实现人脸检测与人脸识别，包括传统视觉和深度学习方法（附完整代码，模型下载......）_opencv人脸识别-CSDN博客

【Haar级联检测器预训练模型下载】
opencv/opencv: Open Source Computer Vision Library (github.com)
下载好的，在opencv-4.xdatahaarcascades文件夹下有模型，把他上传到开发板。

【获取检测人脸的图片】
我在百度上找到了**的图片，并把它也上传到开发板。

【编写检测代码】

  1. import numpy as np
  2. import cv2 as cv

  4. if __name__ == '__main__':
  5.     # (6) 使用 Haar 级联分类器 预训练模型 检测人脸
  6.     # 读取待检测的图片
  7.     img = cv.imread("yanmi.jpg")
  8.     print(img.shape)

  10.     # 加载 Haar 级联分类器 预训练模型
  11.     model_path = "haarcascade_frontalface_alt2.xml"
  12.     face_detector = cv.CascadeClassifier(model_path)  # <class 'cv2.CascadeClassifier'>
  13.     # 使用级联分类器检测人脸
  14.     faces = face_detector.detectMultiScale(img, scaleFactor=1.1, minNeighbors=1,
  15.                                              minSize=(30, 30), maxSize=(300, 300))
  16.     print(faces.shape)  # (17, 4)
  17.     print(faces[0])  # (x, y, width, height)

  19.     # 绘制人脸检测框
  20.     for x, y, width, height in faces:
  21.         cv.rectangle(img, (x, y), (x + width, y + height), (0, 0, 255), 2, cv.LINE_8, 0)
  22.      # 显示图片
  23.      cv.imshow("faces", img)
  24.      cv.waitKey(0)
  25.      cv.destroyAllWindows()

【实验效果】
运行程序后，可以正确地识别，效果如下：