🧠 使用深度学习模型（DNN）进行人脸检测是OpenCV中一项强大的功能，适合需要高精度识别的场景。以下为关键步骤与资源指南：

🛠️ 环境准备

  1. 安装OpenCV 
    pip install opencv-python
  2. 依赖库
    • TensorFlow/PyTorch（根据模型选择）
    • cv2.dnn模块需OpenCV 4.5.0以上版本

📚 核心流程

  1. 加载预训练模型

    • 使用cv2.dnn.readNetFromCaffe或cv2.dnn.readNetFromTensorflow加载模型文件（如 deploy.prototxt 和 res10_300x300_ssd_iter_140000.caffemodel）。
    • 示例： 
      net = cv2.dnn.readNetFromCaffe("deploy.prototxt", "res10_300x300_ssd_iter_140000.caffemodel")

  2. 图像预处理

    • 将输入图像缩放至300x300，归一化像素值（如 [104, 177, 123]）。
    • 使用cv2.dnn.blobFromImage生成输入blob： 
      blob = cv2.dnn.blobFromImage(cv2.imread("test.jpg"), 1.0, (300, 300), (104, 177, 123), swapRB=True, crop=False)

  3. 执行检测

    • 通过net.setInput(blob)设置输入，调用net.forward()获取输出： 
      detections = net.forward()
    • 解析检测结果，提取人脸边界框坐标与置信度。

  4. 可视化结果

    • 绘制矩形框标注人脸区域，可结合cv2.rectangle和cv2.putText展示信息。

🌐 扩展阅读

Face_Detection_Model
Detection_Results