對于眼睛，我們以類似的方式進行搜索，但將搜索范圍縮小到面部矩形：eyes ＝ eyes＿cascade．detectMultiScale（img［y：y＋h， x：x＋w］）for （ex， ey， ew， eh） in eyes：    cv2．rectangle（img， （x＋ex， y＋ey）， （x＋ex＋ew， y＋ey＋eh），                   （255， 255， 255）， 1）成啦！

雖然這是預期的結(jié)果，但我們會遇到很多其他方面的問題。很多時候，我們沒有正面和清晰的人的臉，甚至……沒有眼睛：

眼睛是被白色包圍的黑色污點：

此處有4只眼，僅檢測到3只眼：

矯正臉部通過計算兩只眼睛之間的角度，我們可以拉直臉部圖像（這很容易）。計算后，我們僅需兩個步驟即可旋轉(zhuǎn)圖像：rows， cols ＝ img．shape［：2］M ＝ cv2．getRotationMatrix2D（（cols／2， rows／2）， ＜angle＞， 1）img＿rotated ＝ cv2．warpAffine（face＿orig， M， （cols，rows））

裁剪臉部為了幫助我們的神經(jīng)網(wǎng)絡完成人臉分類任務，最好去掉背景、衣服或配飾等外部干擾信息。在這種情況下，裁剪臉部是一個很好的選擇。我們需要做的第一件事是從矯正的人臉圖像中再次得到人臉矩形。然后我們需要做一個步驟：我們可以按原樣裁剪矩形區(qū)域，或者添加一個額外的填充，這樣我們可以獲得更多的空間。這取決于要解決的具體問題（按年齡、性別、種族等分類）；也許你想要更多的頭發(fā)；也許不需要。

最后，裁剪（p表示填充）：cv2．imwrite（＇crop．jpg＇， img＿rotated［y－p＋1：y＋h＋p， x－p＋1：x＋w＋p］）看！這張臉是孤立的，幾乎可以進行深度學習了

圖像縮放神經(jīng)網(wǎng)絡需要所有的輸入圖像具有相同的形狀和大小，因為GPU在同一時間對一批圖像應用相同的指令，以達到超級快的速度。我們可以動態(tài)地調(diào)整它們的大小，但這可能不是一個好主意，因為在訓練期間將對每個文件執(zhí)行多個轉(zhuǎn)換。因此，如果我們的數(shù)據(jù)集有很多圖像，我們應該考慮在訓練階段之前實現(xiàn)批量調(diào)整大小的過程。在OpenCV中，我們可以使用resize（）函數(shù)執(zhí)行向下縮放和向上縮放，有幾種可用的插值方法，指定最終尺寸的例子：cv2．resize（img， （＜width＞， ＜height＞）， interpolation＝cv2．INTER＿LINEAR）為了縮小圖像，OpenCV建議使用INTER＿AREA插值，而要放大圖像，可以使用INTER＿CUBIC（慢）或INTER＿LINEAR（快，效果仍然不錯）。最后是質(zhì)量和時間之間的權衡。我做了一個快速的升級比較：