face_recognition、opencv中haar人脸特征：视频/图片进行人脸检测/人脸识别日萌社

62 阅读 0 评论 41 点赞

我是靠谱客的博主傲娇嚓茶，最近开发中收集的这篇文章主要介绍face_recognition、opencv中haar人脸特征：视频/图片进行人脸检测/人脸识别日萌社，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

日萌社

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）

import face_recognition
import cv2

# 读入影片并得到影片长度
# input_movie = cv2.VideoCapture("Huanlesong1.mp4")
input_movie = cv2.VideoCapture("shot.mp4")

#获取视频帧数
length = int(input_movie.get(cv2.CAP_PROP_FRAME_COUNT))
print("帧数:",length) #1754

"""
VideoWriter(filename, fourcc, fps, frameSize[, isColor])
    第一个参数：是要保存的文件的路径
    第二个参数：
        cv2.VideoWriter_fourcc(*'XVID')：指定编码器
        推荐使用 ”XVID"，但一般依据你的电脑环境安装了哪些编码器。
        本身是一个 32 位的无符号数值，用 4 个字母表示采用的编码器。
        常用的有 “DIVX"、”MJPG"、“XVID”、“X264"。可用的列表在这里。
    第三个参数：fps 要保存的视频的帧速率。（注意：可以右键查看所读取的视频文件的帧速率）
    第四个参数：frameSize 要保存的文件的画面尺寸(帧高度/帧宽度)。（注意：可以右键查看所读取的视频文件的帧高度/帧宽度）
    第五个参数：isColor 指示是黑白画面还是彩色的画面。(输出格式，等于0时输出灰度视频，不等于0时输出彩色视频)
"""
# 创建输出视频文件（确保输出视频文件的分辨率/帧速率与输入视频匹配）
fourcc = cv2.VideoWriter_fourcc(*'XVID')

#可以右键查看所读取的视频文件的帧速、率帧高度、帧宽度
output_movie = cv2.VideoWriter('output.avi', fourcc, 25, (640, 360))

"""
视频中有3个人，但是目的只是识别中视频中2个人，因此下面仅读取其中2个人的人脸图片，
让模型学会根据这两个人的人脸图片在视频中分别识别出这两个人，并标识出来。
"""

"""
图像载入函数 load_image_file load_image_file(file, mode='RGB') 
    加载一个图像文件到一个numpy array类型的对象上。 
    参数： 
        file：待加载的图像文件名字 
        mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白) 
    返回值： 一个包含图像数据的numpy array类型的对象
"""
# 加载一些示例图片并学习如何识别它们。
lmm_image = face_recognition.load_image_file("Qidian.png")
al_image = face_recognition.load_image_file("Quxiaoxiao.png")

"""
人脸编码函数 face_encodings 
    face_encodings(face_image, known_face_locations=None, num_jitters=1) 
        给定一个图像，返回图像中每个人脸的128脸部编码（特征向量）。 
        参数： 
            face_image：输入的人脸图像 
            known_face_locations：可选参数，如果你知道每个人脸所在的边界框 
            num_jitters=1：在计算编码时要重新采样的次数。越高越准确，但速度越慢（100就会慢100倍） 
        返回值： 一个128维的脸部编码列表
"""
#获取一个128维的脸部编码列表
lmm_face_encoding = face_recognition.face_encodings(lmm_image)[0]
al_face_encoding = face_recognition.face_encodings(al_image)[0]

known_faces = [
    lmm_face_encoding,
    al_face_encoding
]

# 初始化一些变量
face_locations = []
face_encodings = []
face_names = []
frame_number = 0

while True:
    # 抓取视频中的每一帧
    ret, frame = input_movie.read()
    #统计帧数
    frame_number += 1
    # 输入视频文件结束时退出
    if not ret:
        break

    # 将图像从BGR颜色（OpenCV使用）转换为RGB颜色（人脸识别使用）
    rgb_frame = frame[:, :, ::-1]

    """
    face_locations(img, number_of_times_to_upsample=1, model='hog') 
    给定一个图像，返回图像中每个人脸的面部特征位置(眼睛、鼻子等)，也即是获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)。
    参数： 
        img：一个image（numpy array类型）
        number_of_times_to_upsample：从images的样本中查找多少次人脸，该参数值越高的话越能发现更小的人脸。 
        model：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPUs上运行更快，
               “cnn” 更准确更深度（且 GPU/CUDA加速，如果有GPU支持的话），默认是“hog” 
        返回值： 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)
    """
    # 获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)
    # 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)
    face_locations = face_recognition.face_locations(rgb_frame)
    #face_encodings获取一个128维的脸部编码列表，其中传入第二个参数known_face_locations(可选参数，如果你知道每个人脸所在的边界框 )
    face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)

    face_names = []
    # 遍历列表中 每个128维的脸部编码
    for face_encoding in face_encodings:
        """
        compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6) 
        比较脸部编码列表和候选编码，看看它们是否匹配。 
        参数： 
            known_face_encodings：已知的人脸编码列表 
            face_encoding_to_check：待进行对比的单张人脸编码数据 
            tolerance：两张脸之间的距离小于相似阈值才算匹配。该值越小对比越严格，0.6是典型的最佳值。 
        返回值： 一个 True或者False值的列表，代表了known_face_encodings列表的每个成员的匹配结果
        注意：相似阈值(tolerance容忍度)中0.6是典型的最佳值，该值越小对比越严格，即两张脸之间的距离小于相似阈值才算匹配。
              比如 face_distance 计算出来的距离为 0.4和 0.8，然后设置的相似阈值(tolerance容忍度)为0.6，
              那么只有 0.4 小于 0.6 才认为是 相似， 0.8 大于 0.6 则认为是 不相似。
              其中compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6) 也可以设置相似阈值(tolerance容忍度)	
        """
        # 查看该脸是否与已知脸匹配
        match = face_recognition.compare_faces(known_faces, face_encoding, tolerance=0.50)

        # print(match)
        """ match列表中的True或者False值 对应 known_faces = [lmm_face_encoding, al_face_encoding] """
        # 如果你有两张以上的脸，你可以让这个逻辑更漂亮 但是为了演示我把它简单化了
        name = None
        if match[0]:
            name = "Qidian"
            face_names.append(name)
        elif match[1]:
            name = "Quxiaoxiao"
            face_names.append(name)

    # 标记结果
    #列表中的每个元组包含人脸的位置(top, right, bottom, left)
    for (top, right, bottom, left), name in zip(face_locations, face_names):
        if not name:
            continue

        # 根据 人脸的位置(top, right, bottom, left) 在脸上画一个方框
        cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
        # 画一个带文本信息的方框
        cv2.rectangle(frame, (left, bottom - 25), (right, bottom), (0, 0, 255), cv2.FILLED)
        #设置文本信息的字体
        font = cv2.FONT_HERSHEY_DUPLEX
        #要填入的文本信息
        cv2.putText(frame, name, (left + 6, bottom - 6), font, 0.5, (255, 255, 255), 1)

    # 将生成的图像写入输出视频文件
    print("Writing frame {} / {}".format(frame_number, length))
    output_movie.write(frame)

input_movie.release()
cv2.destroyAllWindows()

from PIL import Image, ImageDraw
import face_recognition

"""
图像载入函数 load_image_file load_image_file(file, mode='RGB') 
    加载一个图像文件到一个numpy array类型的对象上。 
    参数： 
        file：待加载的图像文件名字 
        mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白) 
    返回值： 一个包含图像数据的numpy array类型的对象
"""
image = face_recognition.load_image_file('two_people.jpg')

"""
人脸特征提取函数 face_landmarks(face_image,face_locations=None,model="large") 
    给定一个图像，提取图像中每个人脸的脸部特征位置。
    人脸特征提取函数face_landmarks 提取后的脸部特征包括：
        鼻梁nose_bridge、鼻尖nose_tip、 下巴chin、左眼left_eye、右眼right_eye、左眉 left_eyebrow、
        右眉right_eyebrow、上唇top_lip、下 唇bottom_lip
    参数： 
        face_image：输入的人脸图片 
        face_locations=None： 
            可选参数，默认值为None，代表默认解码图片中的每一个人脸。 
            若输入face_locations()[i]可指定人脸进行解码 
        model="large"/"small"：
            输出的特征模型，默认为“large”，可选“small”。 
            当选择为"small"时，只提取左眼、右眼、鼻尖这三种脸部特征。
"""
face_landmarks_list = face_recognition.face_landmarks(image)
#获取到图片中所包含的两个人的人脸特征
print('找到 {} 个脸在这张图中'.format(len(face_landmarks_list))) #2

#加载图片
pil_image = Image.fromarray(image)
"""
Python图像处理库PIL的ImageDraw模块.
ImageDraw模块提供了图像对 象的简单2D绘制。用户可以 使用这个模块创建新的图像，注释或润饰已存在图像，为 web应用实时产生各种图形
"""
d = ImageDraw.Draw(pil_image)
i = 1

""" 遍历图片中可能存在的多个人脸特征数据 """
for face_landmarks in face_landmarks_list:
	print('第 {} 个人的脸在这张图中'.format(i))
	i+=1
	""" keys()：获取鼻梁nose_bridge、鼻尖nose_tip、 下巴chin、左眼left_eye、右眼right_eye、左眉 left_eyebrow、
				 右眉right_eyebrow、上唇top_lip、下 唇bottom_lip 
	"""
	for facial_feature in face_landmarks.keys():
		print('脸部特征：{}。脸部特征值: {}'.format(facial_feature, face_landmarks[facial_feature]))
		"""
		1.polygon()方法用于绘制多边形
		    第一个参数是多边形的几个顶点位置组成的list，第二个参数fill是填充该多边形的颜色。
		    例子：d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))
		2.line()方法是用来画多个点之间构成的线段
		    第一个参数是 点位置组成的list，第二个参数fill是线段的颜色，第三个参数width是线段的宽度。 
		    例子：d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5)
		"""
		d.line(face_landmarks[facial_feature],width=5)
pil_image.show()

from PIL import Image, ImageDraw
import face_recognition

"""
图像载入函数 load_image_file load_image_file(file, mode='RGB') 
    加载一个图像文件到一个numpy array类型的对象上。 
    参数：
        file：待加载的图像文件名字 
        mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白) 
    返回值： 一个包含图像数据的numpy array类型的对象
"""
# image = face_recognition.load_image_file("obama.jpg")
image = face_recognition.load_image_file("threepeople.jpg")

"""
人脸特征提取函数 face_landmarks(face_image,face_locations=None,model="large") 
    给定一个图像，提取图像中每个人脸的脸部特征位置。
    人脸特征提取函数face_landmarks 提取后的脸部特征包括：
        鼻梁nose_bridge、鼻尖nose_tip、 下巴chin、左眼left_eye、右眼right_eye、左眉 left_eyebrow、
        右眉right_eyebrow、上唇top_lip、下 唇bottom_lip
    参数： 
        face_image：输入的人脸图片 
        face_locations=None： 
            可选参数，默认值为None，代表默认解码图片中的每一个人脸。 
            若输入face_locations()[i]可指定人脸进行解码 
        model="large"/"small"：
            输出的特征模型，默认为“large”，可选“small”。 
            当选择为"small"时，只提取左眼、右眼、鼻尖这三种脸部特征。
"""
face_landmarks_list = face_recognition.face_landmarks(image)

#加载图片
pil_image = Image.fromarray(image)
"""
Python图像处理库PIL的ImageDraw模块.
ImageDraw模块提供了图像对 象的简单2D绘制。用户可以 使用这个模块创建新的图像，注释或润饰已存在图像，为 web应用实时产生各种图形
"""
#载入图片，构建一个ImageDraw对象
d = ImageDraw.Draw(pil_image, 'RGBA')

""" 遍历图片中可能存在的多个人脸特征数据 """
for face_landmarks in face_landmarks_list:
    """
    1.polygon()方法用于绘制多边形
        第一个参数是多边形的几个顶点位置组成的list，第二个参数fill是填充该多边形的颜色。
        例子：d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))
    2.line()方法是用来画多个点之间构成的线段
        第一个参数是 点位置组成的list，第二个参数fill是线段的颜色，第三个参数width是线段的宽度。 
        例子：d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5)
    """
    # 画个浓眉
    d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))
    d.polygon(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 128))
    d.line(face_landmarks['left_eyebrow'], fill=(1,1, 1, 1), width=15)
    #d.line(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 150), width=5)
    d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5)

    # 涂个性感的嘴唇
    d.polygon(face_landmarks['top_lip'], fill=(150, 0, 0, 128))
    d.polygon(face_landmarks['bottom_lip'], fill=(150, 0, 0, 128))
    d.line(face_landmarks['top_lip'], fill=(150, 0, 0, 64), width=8)
    d.line(face_landmarks['bottom_lip'], fill=(150, 0, 0, 64), width=8)

    # 闪亮的大眼睛
    d.polygon(face_landmarks['left_eye'], fill=(255, 255, 255, 30))
    d.polygon(face_landmarks['right_eye'], fill=(255, 255, 255, 30))

    # 画眼线
    d.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(0, 0, 0, 110), width=6)
    d.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(0, 0, 0, 110), width=6)

pil_image.show()

import face_recognition
import cv2
from PIL import Image,ImageDraw

"""
图像载入函数 load_image_file load_image_file(file, mode='RGB') 
    加载一个图像文件到一个numpy array类型的对象上。 
    参数： 
        file：待加载的图像文件名字 
        mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白) 
    返回值： 一个包含图像数据的numpy array类型的对象
"""
# 加载一些示例图片并学习如何识别它们。
rgb_frame = face_recognition.load_image_file("2.jpg")
#加载图片
pil_image = Image.fromarray(rgb_frame)

"""
face_locations(img, number_of_times_to_upsample=1, model='hog') 
给定一个图像，返回图像中每个人脸的面部特征位置(眼睛、鼻子等)，也即是获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)。
参数： 
    img：一个image（numpy array类型）
    number_of_times_to_upsample：从images的样本中查找多少次人脸，该参数值越高的话越能发现更小的人脸。 
    model：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPUs上运行更快，
           “cnn” 更准确更深度（且 GPU/CUDA加速，如果有GPU支持的话），默认是“hog” 
    返回值： 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)
"""
# 获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)
# 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)
face_locations = face_recognition.face_locations(rgb_frame)
print(face_locations)
# face_encodings获取一个128维的脸部编码列表，其中传入第二个参数known_face_locations(可选参数，如果你知道每个人脸所在的边界框 )
face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)

top, right, bottom, left = face_locations[0]
face_names = "nagisa"

# 根据 人脸的位置(top, right, bottom, left) 在脸上画一个方框
cv2.rectangle(rgb_frame, (left, top), (right, bottom), (0, 0, 255), 2)
# 画一个带文本信息的方框
cv2.rectangle(rgb_frame, (left, bottom - 25), (right, bottom), (0, 0, 255), cv2.FILLED)
# 设置文本信息的字体
font = cv2.FONT_HERSHEY_DUPLEX
# 要填入的文本信息
cv2.putText(rgb_frame, face_names, (left + 6, bottom - 6), font, 0.5, (255, 255, 255), 1)

# 彩色显示图像
cv2.imshow("img", rgb_frame[:, :, ::-1])
# 保持画面的持续。
cv2.waitKey(0)

import face_recognition
import cv2
from PIL import Image

"""
图像载入函数 load_image_file load_image_file(file, mode='RGB') 
    加载一个图像文件到一个numpy array类型的对象上。 
    参数： 
        file：待加载的图像文件名字 
        mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白) 
    返回值： 一个包含图像数据的numpy array类型的对象
"""
# 加载一些示例图片并学习如何识别它们。
lmm_image = face_recognition.load_image_file("2.jpg")
mask_image = face_recognition.load_image_file("1.jpg")

"""
人脸编码函数 face_encodings 
    face_encodings(face_image, known_face_locations=None, num_jitters=1) 
        给定一个图像，返回图像中每个人脸的128脸部编码（特征向量）。 
        参数： 
            face_image：输入的人脸图像 
            known_face_locations：可选参数，如果你知道每个人脸所在的边界框 
            num_jitters=1：在计算编码时要重新采样的次数。越高越准确，但速度越慢（100就会慢100倍） 
        返回值： 一个128维的脸部编码列表
"""
#获取一个128维的脸部编码列表
face_encoding = face_recognition.face_encodings(lmm_image)[0]
# print(face_encoding)
known_faces = [face_encoding]

# 初始化一些变量
face_locations = []
face_encodings = []
face_names = []
frame_number = 0

# 调用笔记本内置摄像头，所以参数为0，如果有其他的摄像头可以调整参数为1，2
cap = cv2.VideoCapture(0)
while True:
    # 从摄像头读取图片
    sucess, frame = cap.read()

    # 将图像从BGR颜色（OpenCV使用）转换为RGB颜色（人脸识别使用）
    rgb_frame = frame[:, :, ::-1]

    """
    face_locations(img, number_of_times_to_upsample=1, model='hog') 
    给定一个图像，返回图像中每个人脸的面部特征位置(眼睛、鼻子等)，也即是获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)。
    参数： 
        img：一个image（numpy array类型）
        number_of_times_to_upsample：从images的样本中查找多少次人脸，该参数值越高的话越能发现更小的人脸。 
        model：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPUs上运行更快，
               “cnn” 更准确更深度（且 GPU/CUDA加速，如果有GPU支持的话），默认是“hog” 
        返回值： 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)
    """
    # 获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)
    # 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)
    face_locations = face_recognition.face_locations(rgb_frame)
    # print(face_locations)
    #face_encodings获取一个128维的脸部编码列表，其中传入第二个参数known_face_locations(可选参数，如果你知道每个人脸所在的边界框 )
    face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)

    face_names = []
    # 遍历列表中 每个128维的脸部编码
    for face_encoding in face_encodings:
        """
        compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6) 
        比较脸部编码列表和候选编码，看看它们是否匹配。 
        参数： 
            known_face_encodings：已知的人脸编码列表 
            face_encoding_to_check：待进行对比的单张人脸编码数据 
            tolerance：两张脸之间的距离小于相似阈值才算匹配。该值越小对比越严格，0.6是典型的最佳值。 
        返回值： 一个 True或者False值的列表，代表了known_face_encodings列表的每个成员的匹配结果。
        注意：相似阈值(tolerance容忍度)中0.6是典型的最佳值，该值越小对比越严格，即两张脸之间的距离小于相似阈值才算匹配。
            比如 face_distance 计算出来的距离为 0.4和 0.8，然后设置的相似阈值(tolerance容忍度)为0.6，
            那么只有 0.4 小于 0.6 才认为是 相似， 0.8 大于 0.6 则认为是 不相似。
            其中compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6) 也可以设置相似阈值(tolerance容忍度)
        """
        # 查看该脸是否与已知脸匹配
        match = face_recognition.compare_faces(known_faces, face_encoding, tolerance=0.50)

        """ match列表中的True或者False值 对应 known_faces = [lmm_face_encoding, al_face_encoding] """
        # 如果你有两张以上的脸，你可以让这个逻辑更漂亮 但是为了演示我把它简单化了
        name = None
        if match[0]:
            name = "nagisa"
            face_names.append(name)
        # elif match[1]:
        #     name = "Quxiaoxiao"
        #     face_names.append(name)

    # 标记结果
    #列表中的每个元组包含人脸的位置(top, right, bottom, left)
    for (top, right, bottom, left), name in zip(face_locations, face_names):
        if not name:
            name = "Unknown"

        """ 第一种方式：绘制人脸检测框 """
        # # 根据 人脸的位置(top, right, bottom, left) 在脸上画一个方框
        # cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
        # # 画一个带文本信息的方框
        # cv2.rectangle(frame, (left, bottom - 25), (right, bottom), (0, 0, 255), cv2.FILLED)
        # #设置文本信息的字体
        # font = cv2.FONT_HERSHEY_DUPLEX
        # #要填入的文本信息
        # cv2.putText(frame, name, (left + 6, bottom - 6), font, 0.5, (255, 255, 255), 1)

        """ 第二种方式：使用高斯滤波生成类似马赛克 贴到指定人脸位置 """
        # face_image = frame[top:bottom, left:right]
        # face_image = cv2.GaussianBlur(face_image, (99, 99), 30)
        # frame[top:bottom, left:right] = face_image

        """ 第三种方式：把小图贴到每一帧图片中的指定人脸位置 """
        face_image = frame[top:bottom, left:right]
        # print(face_image.shape[0:2])
        mask_image = cv2.resize(mask_image, (face_image.shape[1], face_image.shape[0]))
        frame[top:bottom, left:right] = mask_image

    #彩色显示图像
    cv2.imshow("img", frame)

    # 保持画面的持续。
    k = cv2.waitKey(1)
    if k == 27:
        # 通过esc键退出摄像
        cv2.destroyAllWindows()
        break
    elif k == ord("s"):
        # 通过s键保存图片，并退出。
        cv2.imwrite("image2.jpg", frame)
        cv2.destroyAllWindows()
        break

# 关闭摄像头
cap.release()

import numpy as np
import cv2
import cv2 as cv
import matplotlib.pyplot as plt

# 实例化检测器
face_cas = cv.CascadeClassifier("haarcascade_frontalface_default.xml" )
face_cas.load('haarcascade_frontalface_default.xml')

eyes_cas = cv.CascadeClassifier("haarcascade_eye.xml")
eyes_cas.load("haarcascade_eye.xml")

# 调用笔记本内置摄像头，所以参数为0，如果有其他的摄像头可以调整参数为1，2
cap = cv2.VideoCapture(0)
while True:
    # 从摄像头读取图片
    sucess, img = cap.read()

    # 转为灰度图片
    # gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 显示摄像头，背景是灰度。
    # cv2.imshow("img", gray)
    #彩色显示图像
    # cv2.imshow("img", img)

    # 以灰度图的形式读取图片
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    # 调用识别人脸
    faceRects = face_cas.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))

    for faceRect in faceRects:
        x, y, w, h = faceRect
        # 框出人脸
        cv.rectangle(img, (x, y), (x + h, y + w), (0, 255, 0), 3)
        # 4.在识别出的人脸中进行眼睛的检测
        roi_color = img[y:y + h, x:x + w]
        roi_gray = gray[y:y + h, x:x + w]
        eyes = eyes_cas.detectMultiScale(roi_gray)
        for (ex, ey, ew, eh) in eyes:
            cv.rectangle(roi_color, (ex, ey), (ex + ew, ey + eh), (0, 255, 0), 2)
    ## 检测结果的绘制
    # plt.figure(figsize=(8, 6), dpi=100)
    # plt.imshow(img[:, :, ::-1]), plt.title('检测结果')
    # plt.xticks([]), plt.yticks([])
    # plt.show()

    #彩色显示图像
    cv2.imshow("img", img)

    # 保持画面的持续。
    k = cv2.waitKey(1)
    if k == 27:
        # 通过esc键退出摄像
        cv2.destroyAllWindows()
        break
    elif k == ord("s"):
        # 通过s键保存图片，并退出。
        cv2.imwrite("image2.jpg", img)
        cv2.destroyAllWindows()
        break

# 关闭摄像头
cap.release()