这段 Python 代码借助 OpenCV 库实现了在树莓派上进行实时人脸检测的功能。它会开启摄像头捕获视频帧，在每一帧里检测人脸并以矩形框标记出来，同时在画面上显示帧率（FPS）。
依赖库
cv2：OpenCV 库，用于计算机视觉任务，像图像读取、处理以及人脸检测等。time：用于计算帧率。
全局变量
HAAR_PATH：Haar 级联分类器文件的路径，此文件用于人脸检测。这里给出了两个可能的路径，你要依据实际情况选择其中一个。
函数说明
detect_faces()
该函数的功能是开启摄像头，持续捕获视频帧，在每一帧中检测人脸并进行标记，最后显示带有标记和帧率的视频画面。
详细步骤：
摄像头初始化：
python
cap = cv2.VideoCapture(0) cap.set(3, 640) # 设置宽度 cap.set(4, 480) # 设置高度运用
cv2.VideoCapture(0)开启树莓派的摄像头，并且将视频帧的宽度设定为 640 像素，高度设定为 480 像素。加载分类器：
python
face_cascade = cv2.CascadeClassifier(HAAR_PATH)借助
cv2.CascadeClassifier加载 Haar 级联分类器文件，以此来进行人脸检测。循环捕获并处理视频帧：
python
while True: start_time = time.time() ret, frame = cap.read() if not ret: break持续捕获视频帧，直至无法成功读取帧为止。在每次循环开始时记录当前时间，用于后续计算帧率。
图像优化：
python
small_frame = cv2.resize(frame, (0,0), fx=0.5, fy=0.5) gray = cv2.cvtColor(small_frame, cv2.COLOR_BGR2GRAY)为了提升树莓派的处理速度，把视频帧缩小为原来的一半，然后将其转换为灰度图像，因为人脸检测在灰度图像上进行会更高效。
人脸检测：
python
faces = face_cascade.detectMultiScale( gray, scaleFactor=1.05, # 降低以提升准确率 minNeighbors=5, minSize=(30, 30), flags=cv2.CASCADE_SCALE_IMAGE )利用
detectMultiScale方法在灰度图像中检测人脸。scaleFactor参数设定图像缩放比例，minNeighbors参数表示每个候选矩形应该保留的邻居数，minSize参数规定检测到的人脸的最小尺寸。还原坐标并标记人脸：
python
for (x, y, w, h) in faces: x, y, w, h = x*2, y*2, w*2, h*2 cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)由于之前对图像进行了缩小处理，所以需要把检测到的人脸坐标还原到原始图像尺寸，接着使用
cv2.rectangle方法在原始图像上绘制绿色矩形框标记人脸。显示帧率：
python
fps = 1.0 / (time.time() - start_time) cv2.putText(frame, f"FPS: {fps:.1f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)依据开始时间和当前时间计算帧率，再使用
cv2.putText方法在图像上显示帧率。显示图像并处理退出事件：
python
cv2.imshow('Raspberry Pi Face Detection', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break显示带有标记和帧率的图像，当用户按下
q键时，退出循环。释放资源：
python
cap.release() cv2.destroyAllWindows()释放摄像头资源，关闭所有 OpenCV 窗口。
主程序
python
if __name__ == "__main__":
detect_faces()
当脚本作为主程序运行时，调用detect_faces函数开始进行人脸检测。
完整代码
import cv2
import time
# 选择最佳路径（根据你的实际情况取消注释一个）
HAAR_PATH = "/usr/local/share/opencv4/haarcascades/haarcascade_frontalface_default.xml" # 推荐
# HAAR_PATH = "/home/chen/myenv/lib/python3.11/site-packages/cv2/data/haarcascade_frontalface_default.xml"
def detect_faces():
# 初始化摄像头（树莓派专用相机设置）
cap = cv2.VideoCapture(0)
cap.set(3, 640) # 设置宽度
cap.set(4, 480) # 设置高度
# 加载分类器
face_cascade = cv2.CascadeClassifier(HAAR_PATH)
while True:
start_time = time.time()
ret, frame = cap.read()
if not ret:
break
# 树莓派优化：缩小图像提高检测速度
small_frame = cv2.resize(frame, (0,0), fx=0.5, fy=0.5)
gray = cv2.cvtColor(small_frame, cv2.COLOR_BGR2GRAY)
# 检测人脸（优化参数）
faces = face_cascade.detectMultiScale(
gray,
scaleFactor=1.05, # 降低以提升准确率
minNeighbors=5,
minSize=(30, 30),
flags=cv2.CASCADE_SCALE_IMAGE
)
# 还原坐标到原始图像尺寸
for (x, y, w, h) in faces:
x, y, w, h = x*2, y*2, w*2, h*2
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
# 显示FPS（帧率）
fps = 1.0 / (time.time() - start_time)
cv2.putText(frame, f"FPS: {fps:.1f}", (10, 30),
cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
cv2.imshow('Raspberry Pi Face Detection', frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
if __name__ == "__main__":
detect_faces()