Python | OpenCV 人臉偵測與追蹤

📚 前言

在前一篇我們學會了 即時馬賽克與模糊處理。
這一篇要進一步介紹 人臉偵測與追蹤，並且提供三種常見方式：

Haar Cascades
LBP Cascades
DNN (深度學習模型)

🎨 範例圖片/影片

這裡我們使用 Pexels 提供的免費圖片素材：Face Image。
下載後將檔名改為 face.jpg，在程式碼範例中使用。這張圖片中有多種臉部表情，非常適合用來測試追蹤演算法。

這邊一樣使用 Pexels 提供的免費影片素材：Face Video。
下載後將檔名改為 face.mp4，在程式碼範例中使用。這段影片中有明顯的移動物件，非常適合用來測試追蹤演算法。

🔎 三種方式比較

方法	檔案來源	優點	缺點
Haar Cascades	OpenCV GitHub	經典、教學常用	準確度有限，受光線影響
LBP Cascades	OpenCV GitHub	偵測速度快	準確度比 Haar 稍低
DNN (Caffe 模型)	OpenCV Model Zoo	準確度高，抗光線	模型檔案較大，需 DNN 模組

📂 檔案下載與使用說明

在進行人臉偵測與追蹤之前，需要先下載對應的模型檔案，並放到專案目錄或指定路徑。

Haar Cascades

檔案名稱：haarcascade_frontalface_default.xml
下載來源：OpenCV GitHub — haarcascades

使用方式：

1	face_cascade = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

LBP Cascades

檔案名稱：lbpcascade_frontalface.xml
下載來源：OpenCV GitHub — lbpcascades

使用方式：

1	face_cascade = cv2.CascadeClassifier("lbpcascade_frontalface.xml")

DNN 模型 (Caffe)

檔案名稱：
- deploy.prototxt
- res10_300x300_ssd_iter_140000.caffemodel
下載來源：
- OpenCV GitHub — DNN Face Detector (deploy.prototxt)
- GitHub — res10_300x300_ssd_iter_140000.caffemodel

使用方式：

1	net = cv2.dnn.readNetFromCaffe("deploy.prototxt", "res10_300x300_ssd_iter_140000.caffemodel")

💡 建議將這些檔案放在專案的 models/ 目錄下，並在程式中指定完整路徑，避免找不到檔案的錯誤。

🧠 函式與參數說明

📌 `cv2.CascadeClassifier()`

載入人臉偵測模型

1	cv2.CascadeClassifier(filename)

filename：XML 模型檔案路徑，例如 haarcascade_frontalface_default.xml 或 lbpcascade_frontalface.xml。

📌 `detectMultiScale()`

偵測人臉區域

1	faces = face_cascade.detectMultiScale(img, scaleFactor, minNeighbors, flags, minSize, maxSize)

img：要偵測的灰階圖片或影片幀。
scaleFactor：縮放比例，常用 1.1，表示每次縮小 10%。
minNeighbors：判斷人臉的嚴格程度，數值越大越嚴格。
flags：可選參數，通常設為 cv2.CASCADE_SCALE_IMAGE。
minSize：最小人臉尺寸 (w, h)。
maxSize：最大人臉尺寸 (w, h)。

📌 `cv2.dnn.readNetFromCaffe()`

載入 DNN 模型

1	net = cv2.dnn.readNetFromCaffe(prototxt, model)

prototxt：模型結構檔案，例如 deploy.prototxt。
model：訓練好的權重檔案，例如 res10_300x300_ssd_iter_140000.caffemodel。

📌 `cv2.dnn.blobFromImage()`

將圖片轉換成 DNN 輸入格式

1	blob = cv2.dnn.blobFromImage(image, scalefactor, size, mean, swapRB, crop)

image：輸入圖片。
scalefactor：縮放比例，常用 1.0。
size：輸入大小 (width, height)，例如 (300, 300)。
mean：減去的平均值 (R, G, B)，例如 (104.0, 177.0, 123.0)。
swapRB：是否交換 R 與 B 通道，常用 False。
crop：是否裁切圖片，常用 False。

📌 `cv2.TrackerKCF_create()`

建立 KCF 追蹤器

1	tracker = cv2.TrackerKCF_create()

建立一個 KCF (Kernelized Correlation Filters) 追蹤器，用於追蹤人臉或物件。

📌 `tracker.init()`

初始化追蹤器

1	tracker.init(frame, bbox)

frame：影片幀。
bbox：初始框選區域 (x, y, w, h)。

📌 `tracker.update()`

更新追蹤器位置

1	success, box = tracker.update(frame)

frame：影片幀。
success：布林值，表示是否成功追蹤。
box：新的框選區域 (x, y, w, h)。

💻 範例程式 — Haar Cascades 人臉偵測 (圖片)

import cv2

face_cascade = cv2.CascadeClassifier("models/haarcascade_frontalface_default.xml")

img = cv2.imread("face.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = face_cascade.detectMultiScale(gray, 1.1, 5)

for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

cv2.imshow("Haar Face Detection", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

圖：圖片人臉偵測，框選人臉區域

💻 範例程式 — LBP Cascades 人臉偵測 (影片)

import cv2

face_cascade = cv2.CascadeClassifier("models/lbpcascade_frontalface.xml")
cap = cv2.VideoCapture("face.mp4")

while True:
    ret, frame = cap.read()
    if not ret:
        break

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray, 1.1, 5)

    for (x, y, w, h) in faces:
        cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)

    cv2.imshow("LBP Face Detection", frame)

    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

圖：影片人臉偵測，逐幀框選人臉區域

💻 範例程式 — DNN 人臉偵測 (影片)

import cv2

net = cv2.dnn.readNetFromCaffe("models/deploy.prototxt", "models/res10_300x300_ssd_iter_140000.caffemodel")
cap = cv2.VideoCapture("face.mp4")

while True:
    ret, frame = cap.read()
    if not ret:
        break

    h, w = frame.shape[:2]
    blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 1.0,
                                 (300, 300), (104.0, 177.0, 123.0))
    net.setInput(blob)
    detections = net.forward()

    for i in range(detections.shape[2]):
        confidence = detections[0, 0, i, 2]
        if confidence > 0.5:
            box = detections[0, 0, i, 3:7] * [w, h, w, h]
            (x1, y1, x2, y2) = box.astype("int")
            cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 255), 2)

    cv2.imshow("DNN Face Detection", frame)

    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

圖：影片人臉偵測 (DNN)，準確度更高

💻 範例程式 — 人臉偵測 + 追蹤

import cv2

# 使用 LBP 模型偵測人臉
face_cascade = cv2.CascadeClassifier("models/lbpcascade_frontalface.xml")
cap = cv2.VideoCapture("face.mp4")

tracker = None

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 如果追蹤器尚未建立，先偵測人臉
    if tracker is None:
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(gray, 1.1, 5)

        if len(faces) > 0:
            (x, y, w, h) = faces[0]
            tracker = cv2.TrackerKCF_create()
            tracker.init(frame, (x, y, w, h))
    else:
        # 更新追蹤器位置
        success, box = tracker.update(frame)
        if success:
            (x, y, w, h) = [int(v) for v in box]
            cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 255), 2)
        else:
            # 若追蹤失敗，重置追蹤器
            tracker = None

    cv2.imshow("Face Tracking", frame)

    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

圖：影片人臉偵測與追蹤，持續追蹤人臉位置

⚠️ 注意事項

Haar 與 LBP 模型需先下載 XML 檔案並放在專案目錄。
DNN 模型需下載 deploy.prototxt 與 res10_300x300_ssd_iter_140000.caffemodel。
偵測速度與準確度會因方法不同而有差異。
追蹤器需要先偵測到人臉才能開始追蹤，若人臉消失需重新偵測。

📊 應用場景

監控系統：即時偵測並追蹤人臉。
互動應用：遊戲或互動程式中追蹤玩家人臉。
隱私保護：結合馬賽克或模糊，遮蔽人臉。

🎯 結語

本篇我們學會了如何使用 OpenCV 人臉偵測與追蹤，並且比較了 Haar、LBP 與 DNN 三種方式。
這些技術在監控、互動應用與隱私保護中非常常見，後續可以延伸到 多物件偵測與追蹤，打造更智慧的影像系統。

📖 如在學習過程中遇到疑問，或是想了解更多相關主題，建議回顧一下 Python | OpenCV 系列導讀，掌握完整的章節目錄，方便快速找到你需要的內容。

註：以上參考了
OpenCV 官方文件 — Tutorials
OpenCV 官方文件 — Python Tutorials
OpenCV GitHub — Haar Cascades
OpenCV GitHub — LBP Cascades
OpenCV GitHub — DNN Face Detector (deploy.prototxt)
GitHub — DNN 模型 res10_300x300_ssd_iter_140000.caffemodel
Pexels — 免費影片素材

Python | OpenCV 即時馬賽克與模糊處理

↑
If you enjoy the article, please feel free to donate~ Thx.
若本文對您有幫助，您也願意支持打賞，謝謝您的鼓勵。

本文由J.J. Huang 創作，採用CC BY 3.0 TW協議進行許可。可自由轉載、引用，但需署名作者且註明文章出處。

J.J.'s Blogs

J.J. Huang 2026-02-27 Python OpenCV 07.物件偵測與辨識篇瀏覽次數：次 {{moment(1772154000000).fromNow()}}

Python | OpenCV 人臉偵測與追蹤

📚 前言

🎨 範例圖片/影片

🔎 三種方式比較

📂 檔案下載與使用說明

Haar Cascades

LBP Cascades

DNN 模型 (Caffe)

🧠 函式與參數說明

📌 `cv2.CascadeClassifier()`

📌 `detectMultiScale()`

📌 `cv2.dnn.readNetFromCaffe()`

📌 `cv2.dnn.blobFromImage()`

📌 `cv2.TrackerKCF_create()`

📌 `tracker.init()`

📌 `tracker.update()`

💻 範例程式 — Haar Cascades 人臉偵測 (圖片)

💻 範例程式 — LBP Cascades 人臉偵測 (影片)

💻 範例程式 — DNN 人臉偵測 (影片)

💻 範例程式 — 人臉偵測 + 追蹤

⚠️ 注意事項

📊 應用場景

🎯 結語

J.J. Huang 2026-02-27 Python OpenCV 07.物件偵測與辨識篇 瀏覽次數：次 {{moment(1772154000000).fromNow()}}

Python | OpenCV 人臉偵測與追蹤

📚 前言

🎨 範例圖片/影片

🔎 三種方式比較

📂 檔案下載與使用說明

Haar Cascades

LBP Cascades

DNN 模型 (Caffe)

🧠 函式與參數說明

📌 cv2.CascadeClassifier()

📌 detectMultiScale()

📌 cv2.dnn.readNetFromCaffe()

📌 cv2.dnn.blobFromImage()

📌 cv2.TrackerKCF_create()

📌 tracker.init()

📌 tracker.update()

💻 範例程式 — Haar Cascades 人臉偵測 (圖片)

💻 範例程式 — LBP Cascades 人臉偵測 (影片)

💻 範例程式 — DNN 人臉偵測 (影片)

💻 範例程式 — 人臉偵測 + 追蹤

⚠️ 注意事項

📊 應用場景

🎯 結語

J.J. Huang 2026-02-27 Python OpenCV 07.物件偵測與辨識篇瀏覽次數：次 {{moment(1772154000000).fromNow()}}

📌 `cv2.CascadeClassifier()`

📌 `detectMultiScale()`

📌 `cv2.dnn.readNetFromCaffe()`

📌 `cv2.dnn.blobFromImage()`

📌 `cv2.TrackerKCF_create()`

📌 `tracker.init()`

📌 `tracker.update()`