《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】	10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】	12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】	14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】	16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】	18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】	20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】	22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】	24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】	26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】	28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】	30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】	32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】	34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】	36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】	38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】	40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】	42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】	44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】	46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】	48.【车辆检测追踪与流量计数系统】
49.【行人检测追踪与双向流量计数系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

效果展示

引言

人脸检测是计算机视觉中的一个重要任务，主要是在图像或视频中自动识别并定位出人脸的位置。它是许多后续任务（如人脸识别、人脸属性分析、表情识别、年龄估计等）的基础。

人脸检测的应用方向极为广泛。在安防监控领域，人脸检测可以用于人员定位和跟踪，进而进行人脸识别，实现身份验证和异常行为监测。在社交媒体上，人脸检测可以自动标注照片中的人脸，进行人脸美化、动态表情生成等功能。在驾驶辅助系统中，通过检测驾驶员的脸，可以检测其是否疲劳、分心等状态，从而及时发出提醒，提高行车安全。此外，人脸检测也在无人售货机、门禁系统、人脸支付等领域发挥着重要作用。

本文将基于Opencv+CvZone实现人脸面部实时检测，并给出了完整源码与代码详细解释，供需要的小伙伴学习参考学习，如果对你有帮助，感谢点赞关注！

实现步骤详解

下面是具体步骤的实现与详细解释：

步骤1: 导入必要的库

import cvzone
from cvzone.FaceDetectionModule import FaceDetector
import cv2

• cvzone: 提供额外的OpenCV辅助功能，如文本绘制、形状绘制等。
• cvzone.FaceDetectionModule: 特定于人脸检测的模块。
• cv2: OpenCV库，用于图像和视频处理。

步骤2: 初始化摄像头

cap = cv2.VideoCapture(0)

• cv2.VideoCapture(0): 初始化视频捕获对象，参数0代表默认摄像头（通常是内置摄像头）。

步骤3: 创建FaceDetector对象

detector = FaceDetector(minDetectionCon=0.5, modelSelection=0)

• FaceDetector: 创建一个用于人脸检测的对象。
• minDetectionCon=0.5: 设置人脸检测的最小置信度阈值为0.5。
• modelSelection=0: 选择短距离检测模型（适合2米以内）。

步骤4: 实时人脸检测循环

进入一个无限循环，不断从摄像头读取帧。使用FaceDetector检测当前帧中的人脸，并更新图像。如果检测到人脸，遍历每个边界框并获取相关数据，如中心点、边界框坐标、识别置信度。在图像上绘制人脸中心的圆圈、识别置信度的文本以及人脸边界框。

while True:success, img = cap.read()img, bboxs = detector.findFaces(img, draw=False)if bboxs:for bbox in bboxs:center = bbox["center"]x, y, w, h = bbox['bbox']score = int(bbox['score'][0] * 100)cv2.circle(img, center, 5, (255, 0, 255), cv2.FILLED)cvzone.putTextRect(img, f'{score}%', (x, y - 15), border=5)cvzone.cornerRect(img, (x, y, w, h))

• cap.read(): 读取摄像头的一帧图像。
• detector.findFaces(): 在图像中检测人脸，draw=False表示不直接在图像上绘制检测结果。
• 对于检测到的每个人脸：
  提取并使用中心点、边界框信息。
  计算并显示识别置信度。
  使用cv2.circle, cvzone.putTextRect, cvzone.cornerRect在图像上绘制人脸检测结果。

步骤5: 显示图像

cv2.imshow("Image", img)
cv2.waitKey(1)

• cv2.imshow(“Image”, img): 在名为"Image"的窗口显示处理过的图像。

• cv2.waitKey(1): 暂停程序执行，等待1毫秒。

完整源码

这段代码整体实现了从摄像头获取实时视频流，进行人脸检测，并在检测到的人脸上绘制边界框、置信度分数和中心点标记的过程。

# 导入必要的库
import cvzone
from cvzone.FaceDetectionModule import FaceDetector
import cv2# 初始化摄像头
# '2' 表示连接到计算机的第三个摄像头，通常 '0' 指的是内置摄像头
cap = cv2.VideoCapture(0)# 初始化FaceDetector对象
# minDetectionCon: 最小检测置信度阈值
# modelSelection: 0 表示短距离检测（2米），1 表示长距离检测（5米）
detector = FaceDetector(minDetectionCon=0.5, modelSelection=0)# 循环获取摄像头帧
while True:# 从摄像头读取当前帧# success: 布尔值，表示是否成功捕获了帧# img: 捕获的帧success, img = cap.read()# 在图像中检测人脸# img: 更新后的图像# bboxs: 检测到的人脸边界框列表img, bboxs = detector.findFaces(img, draw=False)# 如果检测到人脸if bboxs:# 遍历每个边界框for bbox in bboxs:# bbox 包含 'id', 'bbox', 'score', 'center'# ---- 获取数据 ---- #center = bbox["center"]  # 中心点坐标x, y, w, h = bbox['bbox']  # 边界框坐标和大小score = int(bbox['score'][0] * 100)  # 识别置信度（百分比）# ---- 绘制数据 ---- #cv2.circle(img, center, 5, (255, 0, 255), cv2.FILLED)  # 画出圆形标记人脸中心cvzone.putTextRect(img, f'{score}%', (x, y - 15), border=5)  # 显示识别置信度文本cvzone.cornerRect(img, (x, y, w, h))  # 画出矩形框# 在名为'Image'的窗口中显示图像cv2.imshow("Image", img)# 等待1毫秒cv2.waitKey(1)

---

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
更多干货内容，可关注文末G-Z-H: 【阿旭算法与机器学习】，欢迎共同学习交流