[python][转载]python + OpenCV 实现人脸识别

最新推荐文章于 2022-09-25 09:35:07 发布

码农张三疯

最新推荐文章于 2022-09-25 09:35:07 发布

阅读量705

点赞数

分类专栏： Python

本文链接：https://blog.csdn.net/FL1623863129/article/details/115404841

版权

Python 专栏收录该内容

202 篇文章 11 订阅

订阅专栏

python + OpenCV 实现人脸检测

本文人脸识别检测具体是通过程序采集图像并进行训练，并且基于这些训练的图像对人脸进行动态识别。
人脸识别前所需要的人脸库可以通过两种方式获得：

1.自己从视频获取图像
2.从人脸数据库免费获得可用人脸图像，如ORL人脸库（包含40个人每人10张人脸，总共400张人脸），ORL人脸库中的每一张图像大小为92x112。若要对这些样本进行人脸识别必须要在包含人脸的样本图像上进行人脸识别。这里提供自己准备图像识别出自己的方法。
先看一下效果
人丑勿怪

采集人脸信息
通过摄像头采集人脸信息，10张以上即可，把图像大小调整为92x112，保存在一个指定的文件夹，文件名后缀为.png，方法如下：

# 采集人脸数据
def generator(data):
'''
打开摄像头，读取帧，检测该帧图像中的人脸，并进行剪切、缩放
生成图片满足以下格式：
1.灰度图，后缀为 .png
2.图像大小相同
params:
data:指定生成的人脸数据的保存路径
'''

name = input('my name:')
# 如果路径存在则删除路径
path = os.path.join(data, name)
if os.path.isdir(path):
shutil.rmtree(path)
# 创建文件夹
os.mkdir(path)
# 创建一个级联分类器
face_casecade = cv2.CascadeClassifier('./haarcascade_frontalface_alt2.xml')
# 打开摄像头
camera = cv2.VideoCapture(0)
cv2.namedWindow('Dynamic')
# 计数
count = 1

while (True):
# 读取一帧图像
ret, frame = camera.read()
if ret:
# 转换为灰度图
gray_img = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 人脸检测
face = face_casecade.detectMultiScale(gray_img, 1.3, 5)
for (x, y, w, h) in face:
# 在原图上绘制矩形
cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)
# 调整图像大小
new_frame = cv2.resize(frame[y:y + h, x:x + w], (92, 112))
# 保存人脸
cv2.imwrite('%s/%s.png' % (path, str(count)), new_frame)
count += 1
cv2.imshow('Dynamic', frame)
# 按下q键退出
if cv2.waitKey(100) & 0xff == ord('q'):
break
camera.release()
cv2.destroyAllWindows()

此方法运行后会在指定的data路径下创建一个你输入的人名的文件夹用于存放采集到的图像，在这里我输入了wgs，结果如图:

人脸识别
OpenCV有3中人脸识别方法，分别基于三个不同算法，分别为Eigenfaces，Fisherfaces和Local Binary Pattern Histogram

这些方法都有类似的一个过程，即先对数据集进行训练，对图像或视频中的人脸进行分析，并且从两个方面确定：

1.是否识别到对应的目标，
2.识别到的目标的置信度，在实际中通过阈值进行筛选，置信度高于阈值的人脸将被丢弃
这里介绍一下利用特征脸即Eigenfaces进行人脸识别算法，特征脸法本质上就是PCA降维，基本思路是先把图像灰度化，转化为单通道，再将它首位相接转换为列向量，假设图像的大小是20*20的，那么这个向量就是400维，但是维度太高算法复杂度也会升高，所以需要降维，再使用简单排序即可，核心代码：

# 载入图像读取ORL人脸数据库，准备训练数据
def LoadImages(data):
'''
加载图片数据用于训练
params:
data:训练数据所在的目录，要求图片尺寸一样
ret:
images:[m,height,width] m为样本数，height为高，width为宽
names：名字的集合
labels：标签
'''
images = []
names = []
labels = []

label = 0

# 遍历所有文件夹
for subdir in os.listdir(data):
subpath = os.path.join(data, subdir)
# print('path',subpath)
# 判断文件夹是否存在
if os.path.isdir(subpath):
# 在每一个文件夹中存放着一个人的许多照片
names.append(subdir)
# 遍历文件夹中的图片文件
for filename in os.listdir(subpath):
imgpath = os.path.join(subpath, filename)
img = cv2.imread(imgpath, cv2.IMREAD_COLOR)
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# cv2.imshow('1',img)
# cv2.waitKey(0)
images.append(gray_img)
labels.append(label)
label += 1
images = np.asarray(images)
# names=np.asarray(names)
labels = np.asarray(labels)
return images, labels, names

# 检验训练结果
def FaceRec(data):
# 加载训练的数据
X, y, names = LoadImages(data)
# print('x',X)
model = cv2.face.EigenFaceRecognizer_create()
model.train(X, y)

# 打开摄像头
camera = cv2.VideoCapture(0)
cv2.namedWindow('Dynamic')

# 创建级联分类器
face_casecade = cv2.CascadeClassifier('./haarcascade_frontalface_alt2.xml')

while (True):
# 读取一帧图像
# ret:图像是否读取成功
# frame：该帧图像
ret, frame = camera.read()
# 判断图像是否读取成功
# print('ret',ret)
if ret:
# 转换为灰度图
gray_img = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

# 利用级联分类器鉴别人脸
faces = face_casecade.detectMultiScale(gray_img, 1.3, 5)

# 遍历每一帧图像，画出矩形
for (x, y, w, h) in faces:
frame = cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2) # 蓝色
roi_gray = gray_img[y:y + h, x:x + w]

try:
# 将图像转换为宽92 高112的图像
# resize（原图像，目标大小，（插值方法）interpolation=，）
roi_gray = cv2.resize(roi_gray, (92, 112), interpolation=cv2.INTER_LINEAR)
params = model.predict(roi_gray)
print('Label:%s,confidence:%.2f' % (params[0], params[1]))
'''
putText:给照片添加文字
putText(输入图像，'所需添加的文字'，左上角的坐标，字体，字体大小，颜色，字体粗细)
'''
cv2.putText(frame, names[params[0]], (x, y - 20), cv2.FONT_HERSHEY_SIMPLEX, 1, 255, 2)
except:
continue

cv2.imshow('Dynamic', frame)

# 按下q键退出
if cv2.waitKey(100) & 0xff == ord('q'):
break
camera.release()
cv2.destroyAllWindows()

在程序中，我们用cv2.face.EigenFaceRecognizer_create()创建人脸识别的模型，通过图像数组和对应标签数组来训练模型，该函数有两个重要的参数：

1.保留主成分的数目
2.指定的置信度阈值，为一个浮点型。
下面就是基本重复人脸检测的相关操作，通过检测到视频中的人脸进行人脸识别，有如下两个步骤：

1.将检测到的人脸图像调整为92x112，即需要和训练的图像的尺寸相同
2.调用predict()函数进行人脸预测，该函数会返回两个元素的数组，第一个是识别个体的标签，第二个是置信度，越小匹配度越高，0表示完全匹配，需要了解的是不同算法的置信度评分机制不同。
附上效果图：

转载请注明出处

以上源码
# -*- coding: utf-8 -*-