Python与机器学习--人脸检测与人脸识别
人脸识别python课程设计
人脸识别python课程设计一、教学目标本节课的知识目标是让学生了解人脸识别的基本概念和技术原理，掌握Python 编程语言的基本操作，能够使用Python编写简单的人脸识别程序。
技能目标是培养学生运用Python语言进行编程的能力，提高学生解决实际问题的能力。
情感态度价值观目标是培养学生对技术的兴趣和好奇心，增强学生对科学探究的热爱，培养学生的创新精神和团队合作意识。
二、教学内容本节课的教学内容主要包括以下几个部分：1. 人脸识别的基本概念和技术原理；2. Python编程语言的基本操作；3. Python人脸识别库的安装和使用；4. 编写简单的人脸识别程序。
三、教学方法本节课采用多种教学方法相结合的方式，以激发学生的学习兴趣和主动性。
主要包括以下几种方法：1. 讲授法：讲解人脸识别的基本概念和技术原理；2. 案例分析法：分析人脸识别的实际应用案例，让学生了解人脸识别技术的应用场景；3. 实验法：让学生动手编写人脸识别程序，培养学生的实际操作能力；4. 讨论法：分组讨论人脸识别程序的编写过程中遇到的问题，培养学生的团队合作意识。
四、教学资源为了支持教学内容和教学方法的实施，丰富学生的学习体验，我们将准备以下教学资源：1. 教材：提供《Python编程：从入门到实践》等相关教材，为学生提供学习参考；2. 参考书：提供人脸识别相关的论文和书籍，为学生提供深入学习的资料；3. 多媒体资料：制作PPT、视频等多媒体资料，帮助学生更好地理解人脸识别技术；4. 实验设备：准备计算机、摄像头等实验设备，让学生能够动手实践编写人脸识别程序。
五、教学评估为了全面、客观、公正地评估学生的学习成果，我们将采取以下评估方式：1.平时表现：通过课堂参与、提问、讨论等方式评估学生的学习态度和理解程度，占总评的30%。
2.作业：布置相关的人脸识别编程作业，评估学生的编程能力和应用能力，占总评的30%。
3.考试：进行人脸识别编程知识的考试，评估学生的知识掌握程度，占总评的40%。
—基于机器学习的人脸识别算法的设计与实现
—基于机器学习的人脸识别算法的设计与实现基于机器学习的人脸识别算法的设计与实现承诺人签名：日期：年月日基于机器学习的人脸识别算法的设计与实现摘要人脸识别技术是一种新型的生物特征认证技术。
人脸识别技术也是一个非常活跃的研究领域，涵盖了许多领域，例如数字图象处理。
随着人们对应用程序需求的增长，面部识别技术趋向于大量使用，使用微芯片和标准化。
人脸检测是快速准确识别人脸的先决条件。
其目的是检测图象背景下的人脸，并将其与数据中的人脸进行比较，以实现人脸识别。
本文以 python 为开辟技术，前端实时检测摄像头人脸，人脸识别主要是使用 mtcnn 做人脸提取，使用facenet 做人脸特征提取，通过余弦相似度分类进行人脸识别。
系统界面简洁、识别迅速、使用方便。
本文首先介绍了人脸识别系统的现状及其发展背景，然后讨论了系统设计目标，系统要求和总体设计计划，并详细讨论了人脸识别系统的详细设计和实现。
系统最后进行面部识别。
并对系统进行特定的测试。
人脸识别，顾名思义就是在图片和视频中检测有没有人脸。
当发现一个人的脸时，会获取其他面部特征(眼睛，嘴巴，鼻子等)，并根据此信息将该人与已知人脸的数据库进行比较。
标识一个人的身份。
人脸检测是使用计算机确定输入图象中所有人脸的位置和大小的过程。
面部识别系统是由面部识别系统引入的，该系统可以包括面部图象，输出是面部和面部图象的存在之和，描述了位置，大小，参数化位置 Do 和方向信息[1]。
假定检测面部的问题始于识别面部的研究。
全自动面部识别系统包括与两项主要技术的链接：面部检测和提取以及面部识别。
完成自动面部识别的第一个要求是确定一个人的面部。
人脸识别是自动人脸识别过程的第一步，它基于自动人脸识别技术。
自动人脸识别系统的速度和准确性起着重要作用。
人脸识别系统可以应用于考勤、安全、金融等领域，应用广泛，大大提高了工作效率，提高了服务水平，身份认证变得更加科学、规范、系统、简单。
1.2 国内外研究现状面部识别的研究始于 1960 年代末和 1970 年代初。
基于python的人脸识别系统毕业设计
《基于 Python 的人脸识别系统毕业设计》摘要：本毕业设计旨在设计并实现一个基于Python 的人脸识别系统。
通过对人脸识别相关技术的研究与应用，构建了一个具备一定性能的人脸识别模型。
系统采用了先进的图像处理算法和深度学习方法，能够实现对人脸图像的准确识别和分类。
本文详细介绍了系统的设计思路、关键技术、实现过程以及实验结果与分析，展示了该人脸识别系统在实际应用中的潜力和可行性。
一、概述随着科技的不断发展，人脸识别技术在安防、金融、交通等众多领域展现出了巨大的应用价值。
人脸识别系统能够快速、准确地识别人的身份，为人们的生活和工作带来了极大的便利。
本毕业设计基于Python 编程语言，致力于开发一个具有较高性能的人脸识别系统，以满足实际应用的需求。
二、人脸识别系统的相关技术（一）人脸检测技术人脸检测是人脸识别系统的基础，其目的是在图像或视瓶中检测出人脸的位置和大小。
常用的人脸检测方法包括基于特征的方法和基于深度学习的方法。
基于深度学习的方法如卷积神经网络（CNN）具有较高的检测准确率和鲁棒性，在实际应用中得到了广泛的应用。
（二）特征提取技术特征提取是从人脸图像中提取出能够表征人脸身份的特征向量的过程。
传统的特征提取方法如主成分分析（PCA）、线性判别分析（LDA）等，虽然在一定程度上能够提取特征，但效果有限。
近年来，深度学习中的卷积神经网络能够自动学习到深层次的人脸特征，具有更好的性能。
（三）人脸识别算法人脸识别算法是将提取的特征向量进行比对和匹配，以确定人脸的身份。
常见的人脸识别算法包括基于欧式距离的算法、基于余弦相似度的算法等。
在本毕业设计中，采用了基于卷积神经网络的人脸识别算法，通过训练模型来学习人脸特征的映射关系。
三、系统的总体设计（一）系统架构本人脸识别系统采用了分层的架构设计，包括数据采集层、图像处理层、特征提取与识别层、用户界面层等。
数据采集层负责获取人脸图像数据；图像处理层对图像进行预处理，如灰度化、归一化等；特征提取与识别层利用训练好的模型进行特征提取和识别；用户界面层提供友好的人机交互界面，方便用户进行操作和管理。
人工智能专业课程体系
人工智能专业课程体系1. 引言人工智能（Artificial Intelligence，简称AI）是一门研究如何使计算机能够执行像人类一样智能行为的学科。
近年来，随着计算机性能的提升和大数据技术的发展，人工智能在各个领域得到了广泛的应用。
为了满足对人工智能人才的需求，许多高校和培训机构开设了人工智能相关的专业课程。
本文将介绍一套完整的人工智能专业课程体系，以帮助学习者全面了解和掌握人工智能领域的知识和技能。
2. 课程体系概述人工智能专业课程体系主要包括以下几个方面的内容： - 数学基础知识：线性代数、概率论与数理统计等数学基础知识对于理解和应用人工智能技术至关重要。
- 编程基础知识：Python编程语言是人工智能领域最常用的编程语言，学习Python语言基础是进入人工智能领域的重要第一步。
- 机器学习：机器学习是人工智能领域的核心技术之一，通过构建模型和算法，使计算机能够从数据中学习和实现预测、分类、聚类等任务。
- 深度学习：深度学习是机器学习的一个分支，通过神经网络模型和大规模数据的训练，实现复杂任务的自动化。
- 自然语言处理：自然语言处理是研究计算机如何理解和处理人类自然语言的技术，包括文本分类、情感分析、机器翻译等任务。
- 计算机视觉：计算机视觉是研究计算机如何理解和处理图像和视频的技术，包括目标检测、图像识别、人脸识别等任务。
3. 课程内容详细介绍3.1 数学基础知识•线性代数：向量、矩阵、线性方程组、特征值与特征向量等基本概念和操作。
•概率论与数理统计：概率、随机变量、概率分布、参数估计、假设检验等基本理论和方法。
3.2 编程基础知识•Python编程语言基础：变量、数据类型、循环、条件语句、函数等基本语法和操作。
•Python库和工具介绍：Numpy、Pandas、Matplotlib等常用的Python库和工具介绍和使用。
3.3 机器学习•监督学习：回归、分类、支持向量机、决策树等监督学习算法。
python实现人脸识别的实训报告
python实现人脸识别的实训报告如何使用Python实现人脸识别的实训报告。
1. 引言(150-200字)人脸识别是一种通过计算机视觉技术来识别和验证人脸的技术。
它在现代社会的安全监控、身份验证和人机交互等方面有着广泛的应用。
Python是一种功能强大且易于学习的编程语言，通过使用Python的人脸识别库，我们可以实现一个简单而高效的人脸识别系统。
本文将介绍如何使用Python来构建一个人脸识别系统，并提供详细的步骤和代码示例。
2. 背景介绍(200-300字)人脸识别是一种基于生物特征的识别技术，通过提取人脸的特征并与已知的人脸进行比对，从而实现对人脸的认知和识别。
人脸识别技术广泛应用于许多领域，包括安全监控、个人身份验证、社交媒体等。
随着深度学习和计算机视觉技术的快速发展，人脸识别的准确率和速度得到了显著提高。
3. 所需技术和工具介绍(200-300字)为了使用Python实现人脸识别，我们需要使用一些特定的技术和工具。
首先，我们需要一个人脸识别算法。
常用的人脸识别算法有Eigenface、Fisherface和LBPH（Local Binary Patterns Histogram）。
另外，我们需要使用Python中的OpenCV（Open Source Computer Vision Library）库来处理图像和视频，并使用其内置的人脸识别功能。
除此之外，我们还需要使用NumPy库来进行数值计算，并使用Matplotlib库来可视化结果。
4. 实验环境与数据准备(200-300字)在开始实验之前，我们需要设置Python开发环境并安装必要的库。
我们可以使用Anaconda来安装Python，并使用conda或pip来安装OpenCV、NumPy和Matplotlib库。
同时，我们需要一些人脸图像数据来训练我们的人脸识别模型。
可以使用公开的数据集如AT&T Faces Database或LFW数据集。
10分钟学会使用python实现人脸识别（附源码）
10分钟学会使⽤python实现⼈脸识别（附源码）⽬录前⾔⼀、⾸先⼆、接下来1.对照⼈脸获取2. 通过算法建⽴对照模型3.识别前⾔今天，我们⽤Python实现简单的⼈脸识别技术！Python⾥，简单的⼈脸识别有很多种⽅法可以实现，依赖于python胶⽔语⾔的特性，我们通过调⽤包可以快速准确的达成这⼀⽬的。
这⾥介绍的是准确性⽐较⾼的⼀种。
⼀、⾸先梳理⼀下实现⼈脸识别需要进⾏的步骤：流程⼤致如此，在此之前，要先让⼈脸被准确的找出来，也就是能准确区分⼈脸的分类器，在这⾥我们可以⽤已经训练好的分类器，⽹上种类较全，分类准确度也⽐较⾼，我们也可以节约在这⽅⾯花的时间。
既然⽤的是python，那⾃然少不了包的使⽤了，在看代码之前，我们先将整个项⽬所需要的包罗列⼀下：· CV2(Opencv)：图像识别，摄像头调⽤· os：⽂件操作· numpy：NumPy(Numerical Python) 是 Python 语⾔的⼀个扩展程序库，⽀持⼤量的维度数组与矩阵运算，此外也针对数组运算提供⼤量的数学函数库· PIL：Python Imaging Library，Python平台事实上是图像处理的标准库⼆、接下来1.对照⼈脸获取#-----获取⼈脸样本-----import cv2#调⽤笔记本内置摄像头，参数为0，如果有其他的摄像头可以调整参数为1,2cap = cv2.VideoCapture(0)#调⽤⼈脸分类器，要根据实际路径调整3face_detector = cv2.CascadeClassifier(r'X:/Users/73950/Desktop/FaceRec/haarcascade_frontalface_default.xml') #待更改#为即将录⼊的脸标记⼀个idface_id = input('\n User data input,Look at the camera and wait ...')#sampleNum⽤来计数样本数⽬count = 0while True:#从摄像头读取图⽚success,img = cap.read()#转为灰度图⽚，减少程序符合，提⾼识别度if success is True:gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)else:break#检测⼈脸，将每⼀帧摄像头记录的数据带⼊OpenCv中，让Classifier判断⼈脸#其中gray为要检测的灰度图像，1.3为每次图像尺⼨减⼩的⽐例，5为minNeighborsfaces = face_detector.detectMultiScale(gray, 1.3, 5)#框选⼈脸，for循环保证⼀个能检测的实时动态视频流for (x, y, w, h) in faces:#xy为左上⾓的坐标,w为宽，h为⾼，⽤rectangle为⼈脸标记画框cv2.rectangle(img, (x, y), (x+w, y+w), (255, 0, 0))#成功框选则样本数增加count += 1#保存图像，把灰度图⽚看成⼆维数组来检测⼈脸区域#(这⾥是建⽴了data的⽂件夹，当然也可以设置为其他路径或者调⽤数据库)cv2.imwrite("data/User."+str(face_id)+'.'+str(count)+'.jpg',gray[y:y+h,x:x+w])#显⽰图⽚cv2.imshow('image',img)#保持画⾯的连续。
机器学习与人脸识别
机器学习与人脸识别近年来，随着计算机技术的飞速发展，机器学习和人工智能技术已经逐渐应用于各个领域，其中人脸识别技术正逐渐成为研究的焦点。
本文将探讨机器学习与人脸识别的关系，并介绍其在实际应用中的潜力和挑战。
一、机器学习与人脸识别的基本原理机器学习是一种通过训练模型从输入数据中学习到知识，并通过对新数据进行预测和决策的技术。
而人脸识别则是指通过图像或视频中的人脸特征进行身份认证和识别的过程。
在机器学习中，人脸识别可以被视为一种分类问题，即将人脸图像分为已知身份和未知身份两类。
为了实现这一目标，我们首先需要收集大量的人脸图像作为训练数据。
然后，通过机器学习算法对这些数据进行学习和训练，建立一个能够有效分类的模型。
二、机器学习在人脸识别中的应用1. 人脸检测：在进行人脸识别之前，首先需要对图像或视频中的人脸进行检测和定位。
机器学习可以通过训练模型，识别出图像中的人脸，并标记其位置。
这为后续的人脸识别提供了基础。
2. 特征提取：为了实现人脸的唯一性和可辨识性，机器学习可以通过学习提取人脸的关键特征。
这些特征可能包括眼睛、鼻子、嘴巴等部位的位置、轮廓和纹理等信息。
通过对这些特征进行学习和训练，机器可以更准确地识别人脸。
3. 身份认证：利用机器学习在人脸识别中的应用，可以实现人脸的身份认证。
比如，银行可以利用人脸识别技术对客户进行身份验证，确保交易安全性。
同时，人脸识别技术也可以应用于门禁系统，实现对员工和访客的身份识别。
三、机器学习与人脸识别的挑战尽管机器学习在人脸识别中应用广泛，但还存在一些挑战和问题需要解决。
1. 数据质量：机器学习的效果很大程度上取决于训练数据的质量。
人脸图像中的光照、角度、表情等因素都会对人脸识别的准确性产生影响。
因此，收集具有代表性、高质量的训练数据是一个关键问题。
2. 多样性与可扩展性：人脸识别需要应对各种各样的人脸图像，包括不同种族、年龄和性别的人脸。
因此，机器学习算法需要具备较强的多样性和可扩展性，才能实现更准确和广泛的人脸识别。
人脸识别代码详细解读
人脸识别代码详细解读人脸识别代码详细解读随着科技的不断进步，人脸识别技术已经逐步应用到了生活的各个领域，比如安防监控、人脸支付、智能门禁等，可以说已经成为了一种不可或缺的技术。
那么，在这些应用中，人脸识别又是如何实现的呢？这就要涉及到人脸识别的代码实现。
一、代码概述人脸识别的实现需要借助于计算机视觉技术和机器学习技术，有多种不同的实现方法，其中比较常用的是使用OpenCV库和Python语言进行编程。
本文将以使用OpenCV 和Python编程实现人脸识别为例进行讲解。
OpenCV是一个开源的计算机视觉库，提供了多种图像处理和计算机视觉相关的函数，包括人脸检测、人脸识别、目标跟踪、图像分割等。
Python是一种高级编程语言，易于学习和使用，已经成为了计算机视觉领域最为流行的编程语言之一。
二、代码实现步骤1. 导入所需的库和模块首先需要导入OpenCV库以及一些相关的模块，比如cv2模块、numpy模块等，如下所示：import cv2 import numpy as np2. 人脸检测接下来需要对输入的图像进行人脸检测。
OpenCV提供了多种人脸检测的方法，其中最常用的是基于Haar特征的级联分类器检测方法。
该方法使用训练好的分类器对输入的图像进行扫描，当图像中检测到具有特定特征的区域时，即认为该区域包含人脸。
以下是基于Haar特征的级联分类器人脸检测的代码实现：faceCascade =cv2.CascadeClassifier('haarcascade_frontalface_defa ult.xml') img = cv2.imread('test.jpg') gray =cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) faces = faceCascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))其中，faceCascade是已经训练好的级联分类器模型，通过调用detectMultiScale函数可以对输入图像进行人脸检测，scaleFactor控制图像缩放比例，minNeighbors 控制人脸检测的参数，minSize表示人脸检测的最小尺寸。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Car 情报局
上机时间：15min
Car 情报局
• 数据准备 • 人脸识别 • 结果标记 • 实验报告步骤part2: 2-3
课堂小结
重点： • 人工智能 • 计算机视觉 • 人脸检测、人脸识别 • OpenCV包的使用 难点： • 视频中的人脸识别应用 思考： • dlib人脸识别的应用？ 作业：实验报告
无监督主要有三种： • 聚类 • 离散点检测 • 降维
知识回顾：聚类
Car 情报局
• 聚类：将物理或抽象对象的集合分成由类似的对象组成的多个类的过程 “物以类聚，人以群分”
• 核心：提取特征 • 主要方法：
➢ 划分方法(partitioning methods)：K-MEANS算法、K-MEDOIDS算法、 CLARANS算法
predict_image[y:y+h, x:x+w])
上机备 • 人脸识别 • 结果标记 • 实验报告步骤part2: 1
项目二拓展：识别标记格式化
Car 情报局
cv2.rectangle(predict_image, (x, y), (x + w, y + h), (0, 0, 255), 2) cv2.rectangle(predict_image, (x, y + h - 35), (x + w, y + h), (0, 0, 255), 2) cv2.putText(predict_image, predicted_person,
项目一：图像中的人脸检测
Car 情报局
import numpy as np import cv2 as cv face_cascade = cv.CascadeClassifier('cascade_files/haarcascade_frontalface_alt.x ml') img = cv.imread('people.jpg') gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
二、计算机视觉
Car 情报局
从图像或者多维数据中获取信息的人工智能 系统，是使计算机能像人那样通过视觉观察 和理解世界，具有自主适应环境的能力。
三、人脸识别
目标检测
场景理解
目标跟踪
计算机视觉 热点领域
立体视觉
目标识别
动作识别
Car 情报局
人脸检测（Face Detection）和人 脸识别（Face Recogonition）技 术是计算机视觉领域中最热门的应用。 2017年，《麻省理工科技评论》发 布全球十大突破性技术榜单，来自中 国的刷脸支付技术位列其中。
ret, frame = cap.read() frame = cv2.resize(frame, None, fx=scaling_factor, fy=scaling_factor, interpolation=cv2.INTER_AREA)
上机时间：15min
Car 情报局
• 图片读取 • 人脸检测 • 鼻子检测 • 实验报告步骤part1:2 • 选做步骤part1:3
人工智能 计算机视觉 人脸检测 人脸识别
项目：人脸检测与人脸识别应用
图像读取 人脸检测与标记 人脸识别与标记 视频中的人脸检测与识别
Car 情报局
一、人工智能
Car 情报局
人工智能（Artificial Intelligence，AI）：人工智能是人类设计并在计算机环境下实 现的模拟或再现某些人智能行为的技术，是研究使计算机来模拟人的某些思维过程和 智能行为（如学习、推理、思考、规划等）的学科，研究的一个主要目标是使机器能 够胜任一些通常需要人类智能才能完成的复杂工作。
images, labels, le = get_images_and_labels(path_train) • 撰写代码训练模型
import cv2 # 人脸识别方法初始化
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.train(images, np.array(labels)) • 使用测试集识别对象 # 人脸检测
Car 情报局
Car 情报局
THANK YOU!
项目二：人脸识别
Car 情报局
• 准备训练集与测试集，并 对训练集做好标记
• 撰写代码训练模型 • 使用测试集识别对象
1、 样本的创建(正样本和负样本) 2、 训练分类器（生成.xml） 3、 利用训练好的分类器进行目标检测
项目二：人脸识别
Car 情报局
项目二：人脸识别
Car 情报局
• 准备训练集与测试集，并对训练集做好标记 # 获取训练数据集
知识回顾：使用K-Means对观影用户进行聚类 Car 情报局
# 训练
num_clusters = 3 kmeans = KMeans(init='K-Means++’, n_clusters=num_clusters, n_init=10) kmeans.fit(data)
主要教学内容
人脸识别
faces = face_cascade.detectMultiScale(gray, 1.3, 5) for (x,y,w,h) in faces:
cv.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
cv.imshow('img',img) cv.waitKey(0) cv.destroyAllWindows()
项目一拓展：人脸中的鼻子识别
for (x,y,w,h) in faces: cv.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2) roi_gray = gray[y:y+h, x:x+w] roi_color = img[y:y+h, x:x+w] noses = nose_cascade.detectMultiScale(roi_gray,1.3,5) for (ex,ey,ew,eh) in noses: cv.rectangle(roi_color,(ex,ey),(ex+ew,ey+eh),(0,255,0),2) break
faces = faceCascade.detectMultiScale(predict_image, 1.1, 2, minSize=(100,100)) # 人脸识别
for (x, y, w, h) in faces: # 识别
predicted_index, conf = recognizer.predict(
(x + 6,y + h - 6),cv2.FONT_HERSHEY_DUPLEX, 1.5, (255,255,255), 2) cv2.imshow("result", predict_image) cv2.imwrite("result-" + predicted_person + '.jpg', predict_image)
人脸检测与人脸识别
知识回顾
Car 情报局
重点： • 机器学习、无监督学习、聚类 • DBSCAN • KMeans 难点： • 聚类方法的理解与参数选择 作业：实验报告
知识回顾：无监督学习
Car 情报局
无监督学习常常被用于数据挖掘，用于在大量无标签数据 中发现些什么。它的训练数据是无标签的，训练目标是能 对观察值进行分类或者区分等。
四、人脸识别与人脸检测
Car 情报局
人脸识别则是在假设图像或者图像序列中有人脸的情况下，根据人脸的特征判 断人的身份等信息，即确定检测到的人脸是谁。
五、OpenCV开放的计算机视觉包
Car 情报局
项目一：图像中的人脸检测
Car 情报局
检测并定位图片中的人脸，返回高精度的人脸框坐标
主要步骤： • 1、程序从电脑文档中读取图片 • 2、加载已经训练好的人脸检测包 • 3、图片预处理理 • 4、检测人脸位置，并标记 • 5、显示标记，并保存
上机时间：15min
Car 情报局
• 图片读取 • 人脸检测 • 实验报告步骤part1:1
项目一拓展：人脸中的鼻子识别
Car 情报局
• 'cascade_files/haarcascade_mcs_nose.xml’ • noses = nose_cascade.detectMultiScale(roi_gray,1.3,5)
• 'cascade_files/haarcascade_mcs_nose.xml’ • noses = nose_cascade.detectMultiScale(roi_gray,1.3,5)
Car 情报局
项目一拓展：视频中的人脸检测
Car 情报局
# Initialize the video capture object cap = cv2.VideoCapture(0) while True: # Capture the current frame and resize it
一、人工智能
Car 情报局
1950s ～ 1970s 推理期
1980s ～ present
学习期 归纳学习 机器学习
1990s
神经网络 BP-ANN
2000s~
深度学习 强化学习 迁移学习
1970s ～ 1990s
知识期 专家系统
1980s
决策树 Proiog
1990s ～ 2000s 统计机器学习 SVM Kernel methods