计算机视觉 / 系统课时

使用 Haar 级联检测

使用 Haar 级联检测

Haar 级联可以在不加载深度学习模型的情况下完成基础人脸检测。本篇使用 OpenCV 自带的正面人脸级联文件,读取图像、执行 detectMultiScale、绘制检测框,并通过 scaleFactor、minNeighbors 和 minSize 控制速度与误检率。

学习目标

  • 使用 OpenCV 4.x 自带的 Haar 级联 XML 文件创建分类器
  • 调用 detectMultiScale 完成基础正面人脸检测
  • 根据目标尺寸、漏检和误检情况调整三个关键参数

准备图像与级联文件

以下示例适用于常见的 opencv-python 4.x 安装。该发行包通常通过 cv2.data.haarcascades 暴露级联文件目录,其中包含 haarcascade_frontalface_default.xml。如果使用 Linux 发行版自行打包的 OpenCV 且没有 cv2.data,则需要改成系统实际安装的 data/haarcascades 路径。

测试图片应优先选择光线正常、正面或接近正面的人脸。为了先确认流程是否正确,可以使用 640×480 或 1280×720 图像,并让人脸宽度至少达到约 60~80 像素;人脸只有十几个像素时,即使代码无误也很容易漏检。

完成一次正面人脸检测

下面程序从 <PATH>/face.jpg 读取图像,加载 OpenCV 自带的正面人脸级联,将检测结果绘制成绿色矩形并保存。运行前把 <PATH> 替换成实际目录。

python
from pathlib import Path
import cv2

base_dir = Path("<PATH>")
input_path = base_dir / "face.jpg"
output_path = base_dir / "haar-result.jpg"

# 使用 opencv-python 4.x 随包提供的正面人脸级联文件。
cascade_path = Path(cv2.data.haarcascades) / "haarcascade_frontalface_default.xml"
face_cascade = cv2.CascadeClassifier(str(cascade_path))
if face_cascade.empty():
    raise RuntimeError(f"failed to load cascade: {cascade_path}")

image = cv2.imread(str(input_path))
if image is None:
    raise FileNotFoundError(f"cannot read image: {input_path}")

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 直方图均衡化可改善部分低对比度图像的检测效果。
gray = cv2.equalizeHist(gray)

faces = face_cascade.detectMultiScale(
    gray,
    scaleFactor=1.1,
    minNeighbors=5,
    minSize=(30, 30),
)

for x, y, w, h in faces:
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

if not cv2.imwrite(str(output_path), image):
    raise RuntimeError(f"failed to save image: {output_path}")

print(f"detections: {len(faces)}")
print(f"saved: {output_path}")

预期输出

text
detections: <N>
saved: <PATH>/haar-result.jpg

<N> 是实际检测数量,会随测试图片变化。打开 haar-result.jpg 后,检测到的人脸应被绿色矩形包围;如果明明只有一张脸却出现大量框,优先检查 minNeighbors 是否设置过低。

调整检测参数

detectMultiScale 会在多个尺度上寻找候选窗口,因此参数之间存在明确的速度与召回率取舍。第一次调参时不要同时改变全部参数,建议从 scaleFactor=1.1、minNeighbors=5 开始,再根据结果逐项修改。

参数 推荐起点 调大后的典型影响 适合调整的现象
scaleFactor 1.1 尺度数量减少、速度更快,但可能漏掉尺寸处于两层之间的目标 检测太慢时尝试 1.15 或 1.2
minNeighbors 5 候选框要求更高,误检减少,也可能增加漏检 杂物被识别人脸时提高到 6~8
minSize (30,30) 忽略更小目标,可显著减少无意义搜索 只关心较近人脸时设置为 (60,60) 或更大

例如一张 1920×1080 的会议照片中,业务只关心宽度不低于约 80 像素的人脸,可以先把 minSize 设置为 (60,60),再观察最远处的人脸是否仍被保留。若误检较多,不要先把 scaleFactor 大幅提高,而应先将 minNeighbors 从 5 提高到 6 或 7。

级联为什么能快速排除窗口

Haar 级联不是只扫描一次原图。它通常在不同尺度上检查大量候选窗口,并让窗口依次通过多个级联阶段;前面的简单阶段快速淘汰明显不是人脸的区域,只有少量候选继续进入后续更严格的阶段,因此参数会直接影响扫描尺度和最终保留数量。

Haar 级联从多尺度窗口到检测框的处理流程

理解这个过程后,scaleFactor=1.05 为什么更慢就很直观:相邻尺度更接近,需要检查更多尺寸。相反,1.2 会减少尺度层数而提高速度,但小幅变化的人脸尺寸更可能落在两个搜索尺度之间。

处理漏检和误检

如果正面人脸漏检,先确认目标像素尺寸,再尝试把 scaleFactor 从 1.1 降到 1.05,或把过大的 minSize 调小。若背景纹理产生误检,则先把 minNeighbors 从 5 提高到 6~8,并使用一组包含真实背景的测试图片检查,而不是只针对单张图片调参。

Haar 级联对大角度侧脸、明显旋转、遮挡和复杂光照的鲁棒性有限。OpenCV 还提供 haarcascade_profileface.xml 等其他级联,但它们仍属于传统检测方案。项目如果需要稳定处理姿态变化、密集人群或复杂场景,应把 Haar 作为轻量基线,再评估基于 DNN 的现代目标检测模型。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

使用 Haar 级联检测

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通