引言

在計算機視覺領域，人臉檢測和表情識別一直是熱門的研究方向。今天我將分享一個使用Python和OpenCV實現的實時人臉微笑檢測系統。這個系統能夠通過攝像頭捕捉視頻流，實時檢測人臉并識別微笑表情，非常適合初學者學習計算機視覺的基礎應用。

一、技術原理

本實現主要基于OpenCV提供的Haar級聯分類器，使用了兩個預訓練模型：

1. haarcascade_frontalface_default.xml - 用于人臉檢測
2. haarcascade_smile.xml - 用于微笑檢測

Haar級聯分類器是一種基于機器學習的物體檢測方法，由Paul Viola和Michael Jones在2001年提出。它通過訓練大量正負樣本，學習物體的特征模式，從而實現快速檢測。

二、代碼實現

import cv2# 加載預訓練模型
faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
smile = cv2.CascadeClassifier("haarcascade_smile.xml")
cap = cv2.VideoCapture('smile.mp4') #初始化攝像頭while True:     #處理每一幀ret,image = cap.read()   #讀取一幀image = cv2.flip(image,1)    #圖片翻轉，水平翻轉（鏡像）# 沒有讀到，直接退出if ret is None:break# 轉換為灰度圖像gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)# 人臉檢測faces = faceCascade.detectMultiScale(gray, scaleFactor=1.1,minNeighbors=15,minSize=(5,5) )# 處理每個人臉for (x,y,w,h) in faces:cv2.rectangle(image,(x,y),(x + w,y + h),(0,255,0),2)# 提取人臉ROI區域(灰度)roi_gray_face = gray[y:y+h,x:x+w]cv2.imshow('Face ROI',roi_gray_face)# 微笑檢測，僅在人臉區域內檢測smiles = smile.detectMultiScale(roi_gray_face,scaleFactor=1.5,minNeighbors=2,minSize=(50,50))for (sx,sy,sw,sh) in smiles:# 繪制微笑區域a = x + sxb = y + sycv2.rectangle(image,(a,b),(a+sw,b+sh),(255,0,0),2)# 顯示"smile"文字cv2.putText(image,"smile",(x,y),cv2.FONT_HERSHEY_COMPLEX_SMALL,1,(0,255,255),thickness=2)# 顯示結果cv2.imshow("Smile Detection",image)key = cv2.waitKey(25)if key ==27:  # ESC鍵退出break# 釋放資源
cap.release()
cv2.destroyAllWindows()

2.1 關鍵代碼解析

2.1.1 模型加載

faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
smile = cv2.CascadeClassifier("haarcascade_smile.xml")

這兩行代碼加載了OpenCV提供的預訓練Haar級聯分類器模型。

---

2.1.2 圖像翻轉

image = cv2.flip(image, 1)

1. cv2.flip()函數

   • 作用：翻轉輸入圖像（水平、垂直或同時翻轉）。
   • 參數：
     • 第1個參數 image：輸入的圖像（NumPy數組）。
     • 第2個參數 1：翻轉模式的標志。
       • 0：垂直翻轉（沿x軸翻轉）。
       • 1：水平翻轉（沿y軸翻轉，即鏡像效果）。
       • -1：同時水平和垂直翻轉。

2. flipCode=1 的效果
   假設原圖為：

			原圖：    [A B C]   → 翻轉后： [C B A][D E F]             [F E D]

• 每一行的元素順序被反轉，但行的順序不變。

---

2.1.3 人臉檢測 + 微笑檢測

for (x,y,w,h) in faces:cv2.rectangle(image,(x,y),(x + w,y + h),(0,255,0),2)# 提取人臉所在區域，多通道形式# roiColorFace = image(y:y+h,x:x+w)# 提取人臉所在區域，單通道形式roi_gray_face = gray[y:y+h,x:x+w]cv2.imshow('lian',roi_gray_face)# 微笑檢測，僅在人臉區域內檢測smiles = smile.detectMultiScale(roi_gray_face,scaleFactor=1.5,minNeighbors=2,minSize=(50,50))for (sx,sy,sw,sh) in smiles:# 繪制微笑區域a = x + sxb = y + sycv2.rectangle(image,(a,b),(a+sw,b+sh),(255,0,0),2)# 顯示文字“smile” 表示微笑了cv2.putText(image,"smile",(x,y),cv2.FONT_HERSHEY_COMPLEX_SMALL,1,(0,255,255),thickness=2)

這段代碼是一個 人臉檢測 + 微笑檢測 的程序，主要使用了 OpenCV 的 Haar 級聯分類器（detectMultiScale）來檢測人臉和微笑。以下是詳細解析：

---

代碼功能概述

1. 檢測人臉（在 faces 中存儲的人臉矩形框）。
2. 提取人臉區域（灰度圖 roi_gray_face）。
3. 在人臉區域內檢測微笑（smiles）。
4. 繪制人臉框和微笑框，并標注文字“smile”。

---

代碼逐行解析

1. 遍歷檢測到的人臉

for (x, y, w, h) in faces:

• faces 是一個包含人臉矩形框的列表，每個框由 (x, y, w, h) 表示：
  • (x, y)：人臉左上角坐標。
  • (w, h)：人臉的寬度和高度。

2. 繪制人臉矩形框

cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

• 在原始圖像 image 上繪制綠色矩形框（RGB (0,255,0)），線寬為 2。

3. 提取人臉區域（灰度圖）

roi_gray_face = gray[y:y+h, x:x+w]
cv2.imshow('lian', roi_gray_face)

• gray 是灰度圖像（單通道）。
• roi_gray_face 是從 gray 中截取的人臉區域。
• cv2.imshow('lian', roi_gray_face) 顯示人臉區域的灰度圖（窗口名 'lian'）。

4. 在人臉區域內檢測微笑

smiles = smile.detectMultiScale(roi_gray_face,scaleFactor=1.5,minNeighbors=2,minSize=(50, 50)
)

• smile 是一個訓練好的 Haar 級聯分類器（用于微笑檢測）。
• 參數說明：
  • scaleFactor=1.5：每次圖像縮放的比例（越大檢測越快，但可能漏檢）。
  • minNeighbors=2：候選框至少需要多少個鄰近檢測才被確認（越小誤檢越多）。
  • minSize=(50, 50)：微笑區域的最小尺寸（小于該尺寸的忽略）。

5. 遍歷檢測到的微笑區域

for (sx, sy, sw, sh) in smiles:

• smiles 包含微笑矩形框 (sx, sy, sw, sh)，坐標是相對于 roi_gray_face（人臉區域）的。

6. 繪制微笑框（藍色）

a = x + sx  # 轉換到原始圖像的坐標
b = y + sy
cv2.rectangle(image, (a, b), (a + sw, b + sh), (255, 0, 0), 2)

• (a, b) 是微笑框在原始圖像 image 中的左上角坐標。
• 繪制藍色矩形框（RGB (255,0,0)），線寬 2。

7. 標注文字“smile”

cv2.putText(image, "smile", (x, y), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 255), 2)

• 在人臉框左上角 (x, y) 處顯示黃色文字“smile”：
  • 字體：cv2.FONT_HERSHEY_COMPLEX_SMALL。
  • 字號：1。
  • 顏色：(0, 255, 255)（黃色）。
  • 線寬：2。

---

代碼執行流程

1. 輸入圖像 → 檢測人臉 → 繪制綠色人臉框。
2. 提取人臉區域 → 檢測微笑 → 繪制藍色微笑框。
3. 標注“smile”文字 → 顯示結果。

---

注意事項

1. 依賴 Haar 級聯分類器：
   • faces 和 smiles 是由 cv2.CascadeClassifier 檢測得到的。
   • 通常需要加載預訓練模型：

     face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
     smile_cascade = cv2.CascadeClassifier('haarcascade_smile.xml')
     

2. 參數調優：
   • scaleFactor 和 minNeighbors 影響檢測精度和速度，需根據實際場景調整。
3. 坐標轉換：
   • 微笑檢測是在人臉區域 (roi_gray_face) 內進行的，繪制時需要轉換回原始圖像坐標。

---

2.2 顯示效果

    # 顯示結果cv2.imshow("dect",image)key = cv2.waitKey(25)if key ==27:break
cap.release()
cv2.destroyAllWindows()

• 顯示效果如下，我們插入一段視頻，在視頻中對人物進行微笑檢測，并畫出檢測框：

三、參數調優建議

1. 人臉檢測參數：

   • minNeighbors值越大，檢測越嚴格，但可能漏檢
   • scaleFactor通常在1.01-1.5之間

2. 微笑檢測參數：

   • 由于微笑區域相對較小，minSize不宜設置過大
   • minNeighbors可以適當調小以避免漏檢

四、總結

本文介紹了一個基于OpenCV Haar級聯分類器的實時微笑檢測系統。雖然Haar級聯分類器在復雜場景下可能表現不佳，但它的計算效率高，非常適合初學者學習和快速原型開發。通過調整參數和優化流程，可以在實際應用中獲得不錯的效果。