“Model Training”标签下实现的功能是调用OpenCV库函数对之前处理好的灰度图像进行特征值训练,并生成一份XML文本文件,该文本保存着每组经过训练的人脸特征,点击标签后即可在程序存储地点根目录下生成指定XML文件。
void AddPeople::TrainingModel()
{
//读取你的CSV文件路径.
//string fn_csv = string(argv[1]);
std::string fn_csv = "/home/jr/Qt/3/camera/Data/at.txt";
// 2个容器来存放图像数据和对应的标签
std::vector<cv::Mat> images;
std::vector<int> labels;
// 读取数据. 如果文件不合法就会出错
// 输入的文件名已经有了.
try
{
read_csv(fn_csv, images, labels);
}
catch (cv::Exception& e)
{
std::cerr << "Error opening file \"" << fn_csv << "\". Reason: " << e.msg << endl;
// 文件有问题,我们啥也做不了了,退出了
return;
}
// 如果没有读取到足够图片,也退出.
if (images.size() <= 1) {
std::string error_message = "This demo needs at least 2 images to work. Please add more images to your data set!";
CV_Error(CV_StsError, error_message);
}
// 下面的几行代码仅仅是从你的数据集中移除最后一张图片
//[gm:自然这里需要根据自己的需要修改,他这里简化了很多问题]
cv::Mat testSample = images[images.size() - 1];
images.pop_back();
labels.pop_back();
// 下面几行创建了一个特征脸模型用于人脸识别,
// 通过CSV文件读取的图像和标签训练它。
// T这里是一个完整的PCA变换
// 如果你使用所有特征并且使用一个阈值,使用以下语句:
cv::createEigenFaceRecognizer(0, 123.0);
cv::Ptr<cv::FaceRecognizer> model = cv::createEigenFaceRecognizer();
model->train(images, labels);
model->save("/home/jr/Qt/3/camera/Data/MyFacePCAModel.xml");
// 还有一种调用方式,可以获取结果同时得到阈值:
int predictedLabel = -1;
double confidence = 0.0;
model->predict(testSample, predictedLabel, confidence);
qDebug()<<confidence;
}
最终的“Face Recognition”功能是在前四个模块均完成后方可执行,执行后可利用“Model Training”生成的XML文件进行人脸识别比对。当进入摄像范围的人员之前未被记录时显示查无此人,
void MainWindow::on_action_FaceRecognition_triggered()
{
addpeople.file.getManLabel();
double confidence=0.0;
cv::VideoCapture cap(0); //打开默认摄像头
if (!cap.isOpened())
{
QMessageBox::warning(this,tr("错误"),tr("摄像头打开失败"),QMessageBox::Ok);
return;
}
cv::Mat frame;
cv::Mat gray;
cv::CascadeClassifier cascade;
bool stop = false;
//训练好的文件名称,放置在可执行文件同目录下
cascade.load("/home/jr/Qt/3/camera/Data/haarcascade_frontalface_alt.xml");
cv::Ptr<cv::FaceRecognizer> modelPCA = cv::createEigenFaceRecognizer();
modelPCA->load("/home/jr/Qt/3/camera/Data/MyFacePCAModel.xml");
int sl=0;
while (!stop)
{
cap >> frame;
//建立用于存放人脸的向量容器
std::vector<cv::Rect> faces(0);
cv::cvtColor(frame, gray, CV_BGR2GRAY);
//改变图像大小,使用双线性差值
//resize(gray, smallImg, smallImg.size(), 0, 0, INTER_LINEAR);
//变换后的图像进行直方图均值化处理
cv::equalizeHist(gray, gray);
cascade.detectMultiScale(gray, faces,
1.1, 2, 0
//|CV_HAAR_FIND_BIGGEST_OBJECT
//|CV_HAAR_DO_ROUGH_SEARCH
| CV_HAAR_SCALE_IMAGE,
cv::Size(30, 30));
cv::Mat face;
cv::Point text_lb;
for (size_t i = 0; i < faces.size(); i++)
{
if (faces[i].height > 0 && faces[i].width > 0)
{
face = gray(faces[i]);
text_lb = cv::Point(faces[i].x, faces[i].y);
cv::rectangle(frame, faces[i], cv::Scalar(255, 0, 0), 1, 8, 0);
}
}
cv::Mat face_test;
int predictPCA = -1;
if (face.rows >= 120)
{
cv::resize(face, face_test, cv::Size(92, 112));
}
//Mat face_test_gray;
//cvtColor(face_test, face_test_gray, CV_BGR2GRAY);
if (!face_test.empty())
{
//测试图像应该是灰度图
int predictedLabel=-1;
predictPCA = modelPCA->predict(face_test);
modelPCA->predict(face_test,predictedLabel,confidence);
qDebug()<<confidence; //人脸方框的面积
}
cv::waitKey(50);
if(predictPCA!=-1&&sl>7&&confidence<3200)
{
//qDebug()<<predictPCA;
//std::string name = "Being recognized";
//cv::putText(frame, name, text_lb, cv::FONT_HERSHEY_COMPLEX, 1, cv::Scalar(0, 0, 255));
//qDebug()<<"姓名"<<addpeople.file.who[predictPCA];
QString name="你是-";
name.append(addpeople.file.who[predictPCA]);
QMessageBox::information(this,tr("识别成功"),name,QMessageBox::Ok);
return;
}
sl++;
imshow("face", frame);
if (cv::waitKey(50) >= 0)
stop = true;
}
}