首先dlib是一个很有名的库了，有c++、Python的接口。使用dlib可以大大简化开发，比如人脸识别，特征点检测之类的工作都可以很轻松实现。同时也有很多基于dlib开发的应用和开源库

环境

opencv 尽量选择3版本的

dlib 选择 下载出错的话

cmd

pip install dlib==19.6.1

 

我用的是 python3.6.5

 不多说直接上代码

# -*- coding: utf-8 -*-
import sys
import dlib
import cv2

detector = dlib.get_frontal_face_detector() #获取人脸分类器

# 传入的命令行参数
# for f in sys.argv[1:]: ...这种方式是通过读取传入的参数进新遍历的以列表的形式 ...
# 直接把入参改为一个列表方便调试
x=['C:\\Users\\admin\\Desktop\\test.png','C:\\Users\\admin\\Desktop\\test.jpg']
for f in x:
    # opencv 读取图片，并显示
    # print("Processing file: {}".format(f))
    # f='C:\\Users\\admin\\Desktop\\test.png'
 
    # cv2.IMREAD_COLOR：它指定加载彩色图像。图像的任何透明度都将被忽略。这是默认标志。或者，我们可以为此标志传递整数值1。
    # cv2.IMREAD_GRAYSCALE：它指定以灰度模式加载图像。或者，我们可以为此标志传递整数值0。
    # cv2.IMREAD_UNCHANGED：它指定加载图像，包括alpha通道。另外，我们可以为此标志传递整数值 - 1。
    img = cv2.imread(f, cv2.IMREAD_COLOR)# 这里有两个参数第一个是图片的文件必选，第二个是标志：它指定读取图像的方式

    # 摘自官方文档：
    # image is a numpy ndarray containing either an 8bit grayscale or RGB image.
    # opencv读入的图片默认是bgr格式，我们需要将其转换为rgb格式；都是numpy的ndarray类。
    b, g, r = cv2.split(img)    # 分离三个颜色通道
    img2 = cv2.merge([r, g, b])   # 融合三个颜色通道生成新图片

    dets = detector(img, 1) #使用detector进行人脸检测 dets为返回的结果
    print("Number of faces detected: {}".format(len(dets)))  # 打印识别到的人脸个数
    # enumerate是一个Python的内置方法，用于遍历索引
    # index是序号；face是dets中取出的dlib.rectangle类的对象，包含了人脸的区域等信息
    # left()、top()、right()、bottom()都是dlib.rectangle类的方法，对应矩形四条边的位置
    for index, face in enumerate(dets):
        print('face {}; left {}; top {}; right {}; bottom {}'.format(index, face.left(), face.top(), face.right(), face.bottom()))

        # 在图片中标注人脸，并显示
        left = face.left()
        top = face.top()
        right = face.right()
        bottom = face.bottom()
        cv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0), 3)
        cv2.namedWindow(f, cv2.WINDOW_AUTOSIZE)
        cv2.imshow(f, img)

# 等待按键，随后退出，销毁窗口
k = cv2.waitKey(0)
cv2.destroyAllWindows()

这是一个通过读取图片进行检测的然后对人脸进行标记的demo

本文地址：https://blog.csdn.net/dagedeshu/article/details/110872801