目录
最近疫情被隔离在家，准备研究一下python的机器学习，看了一些资料。也逛了逛论坛。
机器学习的实例真是太多了，让人眼花缭乱，更加懵逼了。通俗来说，主要两个方面，比较浅层次的就是机器学习，最后才是深度学习。
主要过程就是通过一定的算法来训练大量的数据产生一个数据模型，最后再利用这个模型来分析或计算出出最接近于实际情况的结果。
大概理解了意思之后，我就不再去深究了，直接搞个实例来试试看什么效果。至于更深层级的东西，我比较喜欢在实战中慢慢体会。
1、准备
今天实践的是python中的opencv这个库，至于这个库官方肯定比我解释的更加准确，下面是官方的解释。
OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。
没有opencv环境的将opencv先安装一下，为避免版本不一样导致出现问题，我这里在安装命令中将版本号写了出来。
pip install opencv-python==4.6.0.66
python解释器使用的版本是3.8.6，我这里测试使用的是这两个版本是没有问题的。
2、代码
下面是整个业务的实现过程，haarcascade_frontalface_default.xml训练模型我是直接在girhub上面下载的。所以这里并没有对数据训练的实现，使用的是别人训练好的模型。
后面的学习中，我会慢慢训练出自己的模型来使用，其实不用自己训练数据模型的话代码量还是比较少的。下面是github的训练模型的下载地址，目前已经2100多的star了。
https://github.com/opencv/opencv/tree/master/data/haarcascades
下载好训练模型之后放在自己本地，一会在调用训练模型的时候直接调用就OK了。导入opencv模块，注意这里导入的名称是cv2。
import cv2
获取训练好的数据模型（haarcascade_frontalface_default.xml这就是我们前面从github上面下载的）。
face_cascade = cv2.CascadeClassifier(r'./haarcascade_frontalface_default.xml')
读取需要分析的原始图片。
image = cv2.imread(r'./pic.jpg')
对读取的pic.jpg图片做灰度处理。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
识别检测一下women.jpeg图片中的人脸的个数是多少个。
faces = face_cascade.detectMultiScale( gray, scaleFactor=1.15, minNeighbors=5, minSize=(5, 5), flags=cv2.CASCADE_SCALE_IMAGE )
这时实际上已经检测完成了，使用len函数计算一下检测出的人脸个数。
print("当前图片中共发现{}张人脸".format(len(faces)))
检测出的人脸的信息都存在faces的数组中，遍历一下人脸信息做处理。
for (x, y, w, h) in faces: # 在识别出的人脸部位画上圆圈 cv2.circle(image, (int((x + x + w) / 2), int((y + y + h) / 2)), int(w / 2), (0, 255, 0), 2)
显示识别出的人脸位置。
cv2.imshow("Face Nums", image)
cv2.waitKey(0)
3、效果
这是在Google上面找的一张照片作为素材，照片中总共有三个人物，下面是原照片。
经过我们的分析以后，发现了三张人脸，并且在人脸部分进行了标记处理。
至此，通过机器学习做的一个简单的人脸识别的功能就完成了。
