使用OpenCV和Haar级联分类器可快速实现人脸检测。1. 安装OpenCV库；2. 加载haarcascade_frontalface_default.xml模型；3. 读取图像并转为灰度图；4. 调用detectMultiScale检测人脸，设置scaleFactor、minNeighbors和minSize参数；5. 用rectangle标注检测结果，imshow显示或imwrite保存图像。需注意灰度转换和模型路径正确性，适用于正脸检测，侧脸或遮挡场景建议使用DNN模型提升效果。
在Python中进行静态图像的人脸检测，最常用的方法是使用OpenCV结合预训练的Haar级联分类器。这种方法简单高效，适合初学者快速实现人脸检测功能。
安装必要的库
确保你已安装OpenCV：
pip install opencv-pythonOpenCV自带了用于人脸检测的Haar级联模型文件，通常使用haarcascade_frontalface_default.xml。
加载图像和分类器
读取本地图片，并加载人脸检测模型：
立即学习“Python免费学习笔记（深入）”；
import cv2
# 加载预训练的Haar级联分类器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
# 读取图像
img = cv2.imread('your_image.jpg')
# 转为灰度图（人脸检测需要）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
执行人脸检测
使用detectMultiScale方法检测图像中的人脸：
# 检测人脸faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
# 在图像中标出人脸
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)
# 显示结果
cv2.imshow('Detected Faces', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
参数说明：
- scaleFactor：图像缩放比例，用于多尺度检测，通常设为1.1
- minNeighbors：控制误检率，值越大越严格
- minSize：最小检测区域，避免检测过小区域
保存检测结果
如果需要保存带框的图像：
cv2.imwrite('detected_faces.jpg', img)基本上就这些。整个流程不复杂但容易忽略细节，比如必须转灰度图，以及模型路径要正确。只要图像中人脸正对相机、光照正常，准确率较高。对于侧脸或遮挡情况，可考虑使用更高级的模型如DNN模块中的Caffe或TensorFlow模型。不过Haar级联已经能满足大多数基础需求。
