前面讲到了图片识别的模型训练，下面为将识别的区域进行剪切保存，作为后续的数据处理

---使用opencv+PIL配合截取

import cv2

from PIL import Image

# multiple cascades: https://github.com/Itseez/opencv/tree/master/data/haarcascades

faceCascade = cv2.CascadeClassifier('Cascades/cascade_test8.xml')

img = cv2.imread("213.jpg")

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = faceCascade.detectMultiScale(

gray,

scaleFactor=1.38,

minNeighbors=4,#minNeighbors控制着误检测，默认值为3表明至少有3次重叠检测，我们才认为人脸确实存

minSize=(20,20),#寻找人脸的最小区域。设置这个参数过大，会以丢失小物体为代价减少计算量。

flags = cv2.IMREAD_GRAYSCALE

)

box1=()#设置剪切区域

for (x, y, w, h) in faces:

cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

box1 = (x, y, x+w, y+h) # 设置图像裁剪区域

cv2.imwrite("test.jpg",img)#保存图片

pilImgage=Image.open("test.jpg")#使用PIL来编辑图片

image2 = pilImgage.crop(box1) # 图像裁剪--根据识别出的特征坐标剪切

Image._show(image2)

---直接在opencv中使用numpy的数组截取

import cv2

import os

import numpy as np

faceCascade = cv2.CascadeClassifier('Cascades/cascade_test8.xml')

img = cv2.imread("213.jpg")

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = faceCascade.detectMultiScale(

gray,

scaleFactor=1.38,

minNeighbors=4,#minNeighbors控制着误检测，默认值为3表明至少有3次重叠检测，我们才认为人脸确实存

minSize=(20,20)#寻找人脸的最小区域。设置这个参数过大，会以丢失小物体为代价减少计算量。

)

for (x, y, w, h) in faces:

cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

im = img[y:y+h,x: x+w, :]#图片截取

cv2.imshow("image", im)