2024年最全用Python实现简单的人脸识别，10分钟拿下（附源码）

· PIL：Python Imaging Library，Python平台事实上是图像处理的标准库

二、接下来

=====

1.对照人脸获取

#-----获取人脸样本-----

import cv2

#调用笔记本内置摄像头，参数为0，如果有其他的摄像头可以调整参数为1,2

cap = cv2.VideoCapture(0)

#调用人脸分类器，要根据实际路径调整3

face_detector = cv2.CascadeClassifier(r’X:/Users/73950/Desktop/FaceRec/haarcascade_frontalface_default.xml’) #待更改

#为即将录入的脸标记一个id

face_id = input(‘\n User data input,Look at the camera and wait …’)

#sampleNum用来计数样本数目

count = 0

while True:

#从摄像头读取图片

success,img = cap.read()

#转为灰度图片，减少程序符合，提高识别度

if success is True:

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

else:

break

#检测人脸，将每一帧摄像头记录的数据带入OpenCv中，让Classifier判断人脸

#其中gray为要检测的灰度图像，1.3为每次图像尺寸减小的比例，5为minNeighbors

faces = face_detector.detectMultiScale(gray, 1.3, 5)

#框选人脸，for循环保证一个能检测的实时动态视频流

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

#xy为左上角的坐标,w为宽，h为高，用rectangle为人脸标记画框

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

#成功框选则样本数增加

count += 1

#保存图像，把灰度图片看成二维数组来检测人脸区域

#(这里是建立了data的文件夹，当然也可以设置为其他路径或者调用数据库)

cv2.imwrite(“data/User.”+str(face_id)+‘.’+str(count)+‘.jpg’,gray[y:y+h,x:x+w])

#显示图片

cv2.imshow(‘image’,img)

#保持画面的连续。waitkey方法可以绑定按键保证画面的收放，通过q键退出摄像

k = cv2.waitKey(1)

if k == ‘27’:

break

#或者得到800个样本后退出摄像，这里可以根据实际情况修改数据量，实际测试后800张的效果是比较理想的

elif count >= 800:

break

#关闭摄像头，释放资源

cap.realease()

cv2.destroyAllWindows()

复制代码

经博主测试，在执行

“face_detector = cv2.CascadeClssifier(r’C:\Users\admin\Desktop\python\data\

haarcascade_frontalface_default.xml’)”此语句时，实际路径中的目录名尽量不要有中文字符出现，否则容易报错。

这样，你的电脑就能看到你啦！

2. 通过算法建立对照模型

==============

本次所用的算法为opencv中所自带的算法，opencv较新版本中（我使用的是2.4.8）提供了一个FaceRecognizer类，里面有相关的一些人脸识别的算法及函数接口，其中包括三种人脸识别算法（我们采用的是第三种）

• 1.eigenface

• 2.fisherface

• 3.LBPHFaceRecognizer

LBP是一种特征提取方式，能提取出图像的局部的纹理特征，最开始的LBP算子是在3X3窗口中，取中心像素的像素值为阀值，与其周围八个像素点的像素值比较，若像素点的像素值大于阀值，则此像素点被标记为1，否则标记为0。这样就能得到一个八位二进制的码，转换为十进制即LBP码，于是得到了这个窗口的LBP值，用这个值来反映这个窗口内的纹理信息。

LBPH是在原始LBP上的一个改进，在opencv支持下我们可以直接调用函数直接创建一个LBPH人脸识别的模型。

我们在前一部分的同目录下创建一个Python文件，文件名为trainner.py，用于编写数据集生成脚本。同目录下，创建一个文件夹，名为trainner，用于存放我们训练后的识别器。

#-----建立模型、创建数据集-----#-----建立模型、创建数据集-----

import os

import cv2

import numpy as np

from PIL import Image

#导入pillow库，用于处理图像

#设置之前收集好的数据文件路径

path = ‘data’

#初始化识别的方法

recog = cv2.face.LBPHFaceRecognizer_create()

#调用熟悉的人脸分类器

detector = cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)

#创建一个函数，用于从数据集文件夹中获取训练图片,并获取id

#注意图片的命名格式为User.id.sampleNum

def get_images_and_labels(path):

image_paths = [os.path.join(path,f) for f in os.listdir(path)]

#新建连个list用于存放

face_samples = []

ids = []

#遍历图片路径，导入图片和id添加到list中

for image_path in image_paths:

#通过图片路径将其转换为灰度图片

img = Image.open(image_path).convert(‘L’)

#将图片转化为数组

img_np = np.array(img,‘uint8’)

if os.path.split(image_path)[-1].split(“.”)[-1] != ‘jpg’:

continue

#为了获取id，将图片和路径分裂并获取

id = int(os.path.split(image_path)[-1].split(“.”)[1])

faces = detector.detectMultiScale(img_np)

#将获取的图片和id添加到list中

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

face_samples.append(img_np[y:y+h,x:x+w])

ids.append(id)

return face_samples,ids

#调用函数并将数据喂给识别器训练

print(‘Training…’)

faces,ids = get_images_and_labels(path)

#训练模型

recog.train(faces,np.array(ids))

#保存模型

recog.save(‘trainner/trainner.yml’)

复制代码

3.识别

====

检测，校验，输出其实都是识别的这一过程，与前两个过程不同，这是涉及实际使用的过程，所以我们把他整合放在一个统一的一个文件内。

#-----检测、校验并输出结果-----

import cv2

#准备好识别方法

recognizer = cv2.face.LBPHFaceRecognizer_create()

#使用之前训练好的模型

recognizer.read(‘trainner/trainner.yml’)

感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：

①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！