人臉檢測是計算機視覺中的基礎任務，廣泛應用于安防監控、人臉識別、美顏相機等場景。本文將介紹如何結合 OpenCV 和 dlib 庫實現高效的人臉檢測，并詳細解析代碼實現。

---

1. 什么是 dlib

dlib 是一個現代化的 C++ 機器學習工具庫，同時也提供 Python 接口。它由 Davis King 開發并維護，廣泛應用于計算機視覺、圖像處理和機器學習任務。

主要特點

1. 高性能：優化的 C++ 實現，運行速度快
2. 跨平臺：支持 Windows、Linux、macOS
3. 豐富的功能：人臉檢測、特征點識別、物體檢測、深度學習等
4. 易用的 Python API：與 NumPy、OpenCV 無縫集成
5. 開源免費：采用 Boost 軟件許可，可商用

2. 前期準備介紹

2.1 環境準備

在開始之前，請確保安裝以下 Python 庫：

pip install opencv-python dlib

• OpenCV：用于圖像讀取、處理和顯示。
• dlib：提供高性能的機器學習模型，包括人臉檢測和特征點識別。

---

2.2 dlib 的人臉檢測器

dlib 提供了兩種主要的人臉檢測方法：

1. HOG（方向梯度直方圖）+ SVM（支持向量機）（get_frontal_face_detector）
   • 適用于 CPU 環境，速度較快，但對小臉或側臉檢測效果一般。
2. CNN（卷積神經網絡）（dlib.cnn_face_detection_model_v1）
   • 檢測精度更高，但計算量較大，適合 GPU 加速。

本文主要介紹 HOG + SVM 方法，因其在速度和精度之間取得了較好的平衡。

---

3. 代碼實現

3.1 導入庫

import cv2
import dlib

3.2 加載檢測器

detector = dlib.get_frontal_face_detector()  # 使用HOG+SVM檢測器

3.3 讀取并調整圖像大小

img = cv2.imread('hezhao.jpg')  # 讀取圖像（BGR格式）
img = cv2.resize(img, dsize=None, fx=0.5, fy=0.5)  # 縮小50%，提高檢測速度

• resize 可以縮小圖像，加快檢測速度（但可能影響小臉檢測）。

3.4 檢測人臉

faces = detector(img, 0)  # 第二個參數0表示不進行上采樣

• 參數 0 表示不對圖像進行上采樣（適用于原圖或已縮小的圖像）。
• 如果檢測不到小臉，可以嘗試 faces = detector(img, 1)，表示上采樣一次。

3.5 繪制檢測框

for face in faces:  # 遍歷檢測到的人臉x1, y1 = face.left(), face.top()  # 左上角坐標x2, y2 = face.right(), face.bottom()  # 右下角坐標cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)  # 畫綠色矩形框

• cv2.rectangle 用于在圖像上繪制矩形框，參數：
  • (x1, y1)：左上角坐標
  • (x2, y2)：右下角坐標
  • (0, 255, 0)：綠色（BGR格式）
  • 2：線寬

3.6 顯示結果

cv2.imshow("result", img)
cv2.waitKey(0)  # 按任意鍵關閉窗口
cv2.destroyAllWindows()

顯示效果如下：

---

4. 完整代碼

import cv2
import dlib# 1. 加載檢測器
detector = dlib.get_frontal_face_detector()# 2. 讀取圖像并調整大小
img = cv2.imread('hezhao.jpg')
img = cv2.resize(img, dsize=None, fx=0.5, fy=0.5)  # 縮小50%# 3. 檢測人臉
faces = detector(img, 0)  # 0表示不進行上采樣# 4. 繪制檢測框
for face in faces:x1, y1 = face.left(), face.top()x2, y2 = face.right(), face.bottom()cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)  # 綠色框# 5. 顯示結果
cv2.imshow("result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

5. 優化與改進

5.1 提高檢測率

• 上采樣（Upsample）：

  faces = detector(img, 1)  # 上采樣一次，檢測更小人臉
  

• 使用 CNN 模型（更精準但更慢）：

  cnn_detector = dlib.cnn_face_detection_model_v1("mmod_human_face_detector.dat")
  faces = cnn_detector(img, 0)
  

5.2 處理 BGR 與 RGB 問題

OpenCV 默認讀取 BGR 格式，而 dlib 的 HOG 檢測器需要 RGB 格式，可以轉換：

img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # 轉換為RGB
faces = detector(img_rgb, 0)

---

6. 總結

• dlib 的 HOG 檢測器 在 CPU 上運行速度快，適合實時檢測。
• OpenCV 負責圖像讀取、處理和顯示，與 dlib 結合使用非常方便。
• 可以通過 上采樣 或 CNN 模型 提高檢測精度。

希望這篇教程能幫助你快速上手 OpenCV + dlib 人臉檢測！🚀