کدهای آماده تشخیص چهره با OpenCV و پایتون (راهنمای عملی و تست‌شده)

تشخیص چهره با OpenCV چیست؟

تشخیص چهره با OpenCV فرآیندی کامپیوتری است که در آن الگوریتم‌های پردازش تصویر، موقعیت و مرزهای چهره انسان را در تصاویر دیجیتال یا جریان‌های ویدئویی شناسایی می‌کنند. این فناوری با تحلیل تفاوت روشنایی و تاریکی در بخش‌های مختلف صورت (مانند چشم‌ها، بینی و گونه‌ها) مختصات دقیق چهره را در قالب یک جعبه احاطه‌کننده (Bounding Box) خروجی می‌دهد.

بسیاری از برنامه‌نویسان برای شروع کار با بینایی ماشین به سراغ کدهای آماده می‌روند. اگر شما نیز می‌خواهید پروژه‌های متنوع‌تری را پیاده‌سازی کنید، می‌توانید از آرشیو کدهای آماده در حوزه‌های مختلف برای تسریع روند توسعه خود استفاده کنید.

نصب کتابخانه‌ها و آماده‌سازی سیستم

پیش از شروع کدنویسی، باید مطمئن شوید که مفسر پایتون و کتابخانه OpenCV روی سیستم شما نصب هستند. برای این کار کافی است ترمینال یا خط فرمان خود را باز کرده و دستور زیر را اجرا کنید:

pip install opencv-python

ابزار اصلی ما در این مقاله الگوریتم سنتی اما بسیار سریع Haar Cascade است. فایل‌های پیکربندی این الگوریتم با فرمت XML هستند. OpenCV این فایل‌ها را به صورت پیش‌فرض در خود دارد، اما برای اطمینان بیشتر، در کدهای زیر روش فراخوانی مستقیم و خودکار آن‌ها را پیاده‌سازی کرده‌ایم. برای دسترسی به سایر کدهای کاربردی توسعه، بخش کدهای آماده پایتون را بررسی کنید.

روش اول: تشخیص چهره در تصویر ثابت (Haar Cascade)

این روش برای پردازش تصاویر آفلاین و ثابت فوق‌العاده است. کدهای زیر یک تصویر را دریافت کرده، چهره‌های موجود در آن را شناسایی می‌کنند و دور هر چهره یک کادر سبز رنگ رسم می‌نمایند.

import cv2

# ۱. بارگذاری فایل Haar Cascade داخلی برای تشخیص چهره
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# ۲. خواندن تصویر ورودی (نام تصویر خود را جایگزین image.jpg کنید)
image_path = 'image.jpg'
image = cv2.imread(image_path)

if image is None:
    print("خطا: تصویر مورد نظر یافت نشد. مسیر فایل را بررسی کنید.")
else:
    # ۳. تبدیل تصویر به مقیاس خاکستری (جهت پردازش سریع‌تر و دقیق‌تر)
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # ۴. تشخیص چهره‌ها در تصویر
    faces = face_cascade.detectMultiScale(
        gray_image,
        scaleFactor=1.1,
        minNeighbors=5,
        minSize=(30, 30)
    )

    # ۵. رسم مستطیل دور چهره‌های تشخیص داده شده
    for (x, y, w, h) in faces:
        cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 3)

    # ۶. نمایش نتیجه نهایی
    cv2.imshow('Face Detection', image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

توضیح پارامترهای کلیدی تابع detectMultiScale

• scaleFactor: مشخص می‌کند که اندازه تصویر در هر مقیاس چقدر کاهش یابد. مقدار 1.1 به این معنی است که تصویر در هر مرحله ۱۰ درصد کوچک‌تر می‌شود تا چهره‌هایی با اندازه‌های مختلف در کادر جا بگیرند.
• minNeighbors: این پارامتر کیفیت تشخیص را کنترل می‌کند. مقادیر بالاتر دقت را بالا برده اما ممکن است برخی چهره‌ها را نادیده بگیرد. عدد ۵ معمولاً بهترین تعادل را دارد.
• minSize: حداقل اندازه چهره قابل تشخیص (مثلاً ۳۰ در ۳۰ پیکسل) را مشخص می‌کند تا نویزهای کوچک تصویر به عنوان چهره شناسایی نشوند.

روش دوم: تشخیص چهره زنده با وب‌کم (کد آماده)

تشخیص چهره زنده کاربردهای بسیار زیادی در سیستم‌های امنیتی و فیلترهای تصویری دارد. در این کد، ما وب‌کم سیستم را فعال کرده و فریم‌های ویدئویی را در لحظه پردازش می‌کنیم.

import cv2

# ۱. بارگذاری مدل تشخیص چهره
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# ۲. اتصال به وب‌کم (عدد 0 نشان‌دهنده دوربین پیش‌فرض سیستم است)
video_capture = cv2.VideoCapture(0)

print("برای خروج از برنامه کلید Q را روی کیبورد فشار دهید.")

while True:
    # خواندن فریم به فریم ویدیو
    ret, frame = video_capture.read()
    
    if not ret:
        print("خطا در دریافت تصویر از وب‌کم.")
        break

    # تبدیل فریم جاری به رنگ خاکستری
    gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # تشخیص چهره‌ها در فریم زنده
    faces = face_cascade.detectMultiScale(gray_frame, scaleFactor=1.2, minNeighbors=5, minSize=(50, 50))

    # رسم کادر مستطیلی دور چهره‌ها
    for (x, y, w, h) in faces:
        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

    # نمایش ویدیو به همراه کادر تشخیص چهره
    cv2.imshow('Live Face Detection', frame)

    # پایان برنامه با فشردن کلید 'q'
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# آزادسازی منابع سخت‌افزاری و بستن پنجره‌ها
video_capture.release()
cv2.destroyAllWindows()

جدول مقایسه روش‌های سنتی و مدرن

برای انتخاب بهترین روش جهت پروژه‌های خود، در جدول زیر دو رویکرد اصلی در تشخیص چهره با کتابخانه محبوب پایتون را مقایسه کرده‌ایم:

عیب‌یابی سریع و رفع خطاهای رایج

هنگام اجرای کدهای آماده بینایی ماشین و OpenCV ممکن است با خطاهای متداولی روبرو شوید. در ادامه، راه‌حل‌های تست‌شده برای سه خطای بسیار رایج را بررسی می‌کنیم:

پرسش‌های متداول (FAQ)