2024年最全用Python实现简单的人脸识别，10分钟搞定！（附源码）

梳理一下实现人脸识别需要进行的步骤：

流程大致如此，在此之前，要先让人脸被准确的找出来，也就是能准确区分人脸的分类器，在这里我们可以用已经训练好的分类器，网上种类较全，分类准确度也比较高，我们也可以节约在这方面花的时间。

ps: 博主的宝贝来源已经放在下面链接里啦~

推荐：GitHub项目

https://github.com/opencv/opencv/tree/master/data/haarcascades

既然用的是python，那自然少不了包的使用了，在看代码之前，我们先将整个项目所需要的包罗列一下：

**· CV2(Opencv)：**图像识别，摄像头调用

**· os：**文件操作

**· numpy：**NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库

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

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()

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’)

这就让电脑认识到你是与众不同的那颗星~

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

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！