对于眼睛，我们以类似的方式进行搜索，但将搜索范围缩小到面部矩形：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！
虽然这是预期的结果，但我们会遇到很多其他方面的问题。很多时候，我们没有正面和清晰的人的脸，甚至……没有眼睛：
眼睛是被白色包围的黑色污点：
此处有4只眼，仅检测到3只眼：
矫正脸部通过计算两只眼睛之间的角度，我们可以拉直脸部图像（这很容易）。计算后，我们仅需两个步骤即可旋转图像：rows， cols ＝ img．shape［：2］M ＝ cv2．getRotationMatrix2D（（cols／2， rows／2）， ＜angle＞， 1）img＿rotated ＝ cv2．warpAffine（face＿orig， M， （cols，rows））
裁剪脸部为了帮助我们的神经网络完成人脸分类任务，最好去掉背景、衣服或配饰等外部干扰信息。在这种情况下，裁剪脸部是一个很好的选择。我们需要做的第一件事是从矫正的人脸图像中再次得到人脸矩形。然后我们需要做一个步骤：我们可以按原样裁剪矩形区域，或者添加一个额外的填充，这样我们可以获得更多的空间。这取决于要解决的具体问题（按年龄、性别、种族等分类）；也许你想要更多的头发；也许不需要。
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！这张脸是孤立的，几乎可以进行深度学习了
图像缩放神经网络需要所有的输入图像具有相同的形状和大小，因为GPU在同一时间对一批图像应用相同的指令，以达到超级快的速度。我们可以动态地调整它们的大小，但这可能不是一个好主意，因为在训练期间将对每个文件执行多个转换。因此，如果我们的数据集有很多图像，我们应该考虑在训练阶段之前实现批量调整大小的过程。在OpenCV中，我们可以使用resize（）函数执行向下缩放和向上缩放，有几种可用的插值方法，指定最终尺寸的例子：cv2．resize（img， （＜width＞， ＜height＞）， interpolation＝cv2．INTER＿LINEAR）为了缩小图像，OpenCV建议使用INTER＿AREA插值，而要放大图像，可以使用INTER＿CUBIC（慢）或INTER＿LINEAR（快，效果仍然不错）。最后是质量和时间之间的权衡。我做了一个快速的升级比较：
