等待键盘输入
cv2.waitKey(0)
销毁窗口
cv2.destroyAllWindows()
![图片](https://img-blog.csdnimg.cn/img_convert/208bbef0d86ab4e48ea4447d785a9163.png)
![图片](https://img-blog.csdnimg.cn/img_convert/5c1df4894f78282a76656b85f7a5522a.png)
### **1.3、绘制图形**
后续在检测人脸的时候,我们会绘制图形,将人脸框起来。图形的绘制也非常简单.
import cv2
读取图像
im = cv2.imread(‘./zxc/15.jpg’)
在图像im上绘制矩形
“”"
第一个参数为ndarray对象
第二个参数为左上角的坐标(x1, y1)
第三个参数为右下角的坐标(x2, y2)
第四个参数为颜色值,其顺序不同于我们之前的,使用的是BGR
第五个参数为线条宽度
“”"
cv2.rectangle(im, (220, 100), (380, 250), (255, 255, 0), 2)
显示图像
cv2.imshow(‘im’, im)
等待输入
cv2.waitKey(0)
销毁窗口
cv2.destroyAllWindows()
![图片](https://img-blog.csdnimg.cn/img_convert/e46771f89dc2afebb3b71a7734977688.png)
## **二、人脸检测**
### **2.1、获取特征数据**
开始人类检测之前,我们要先获取一个特征数据。在opencv安装目录中,cv2/data文件夹,进入该文件夹后,里面全是特征文件,我们一般选用haarcascade\_frontalface\_default.xml。
**2.1、检测人脸**
我们可以把特征文件复制到我们项目下,也可以直接用绝对路径引用。cv2.CascadeClassifier对象可以用来检测人脸
face_detector = cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)
其中,传入参数为特征文件的路径。我们可以选择相对路径,也可以选择绝对路径。完整人类检测代码如下:
import cv2# 加载特征数据face_detector = cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)# 读取图片im = cv2.imread(‘./zxc/2.jpg’)# 检测人脸,返回人脸的位置信息faces = face_detector.detectMultiScale(im)# 遍历人脸for x, y, w, h in faces: # 在人脸区域绘制矩形 cv2.rectangle(im, (x, y), (x+w, y+h), (255, 255, 0), 2)# 显示图像cv2.imshow(‘im’, im)cv2.waitKey(0)cv2.destroyAllWindows()
其中detectMultiScale方法返回一个数组对象,这个对象保存了n张人脸的左上角坐标、脸的宽、脸的高。检测效果如下:
![图片](https://img-blog.csdnimg.cn/img_convert/61069fa022df28c88f7bf61ed7572960.png)
**三、人脸识别**
**3.1、训练数据**
训练数据主要有两个部分,人脸信息和标签,其中标签为int列表。我在目录data中准备了钢铁侠和周星驰的图片,钢铁侠为1,周星驰为2。
![图片](https://img-blog.csdnimg.cn/img_convert/fa76f953f37c8376fbfd9c5e41f18fa4.png)
准备好图像后,我们就可以开始训练数据了,训练数据代码如下:
import cv2import osimport numpy
root_path = “./data/”
lables = []faces = []
def getFacesAndLabels(): “”“读取图片特征和标签”“” global root_path
# 获取人脸检测器 face_detector = cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)
# 获取图片路径 folders = os.listdir(root_path) for folder in folders: path = os.path.join(root_path, folder) files = os.listdir(path) for file in files: # 读取图片 path1 = os.path.join(path, file) im = cv2.imread(path1) # 转换灰度 grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY) # 读取人脸数据 face = face_detector.detectMultiScale(grey) for x, y, w, h in face: # 设置标签,分离文件名称 lables.append(int(folder)) # 设置人脸数据 faces.append(grey[y:y + h, x:x + w])
return faces, lables
调用方法获取人脸信息及标签faces, labels = getFacesAndLabels()# 获取训练对象recognizer = cv2.face.LBPHFaceRecognizer_create()# 训练数据recognizer.train(faces, numpy.array(labels))# 保存训练数据recognizer.write(‘model.yml’)
### **3.2、人脸识别**
我们训练完数据后,就可以进行人脸识别了。在识别之前我们先加载训练数据,然后就是基本的人类检测步骤。最后我们调用predict方法进行人脸识别,在训练数据中匹配人物。
import cv2
加载训练数据集recognizer = cv2.face.LBPHFaceRecognizer_create()recognizer.read(‘./model.yml’)
准备识别的图片im = cv2.imread(‘10.jpg’)grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
检测人脸face_detector = cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)face = face_detector.detectMultiScale(grey)
for x, y, w, h in face: cv2.rectangle(im, (x, y), (x + w, y + h), (0, 255, 0), 2)
label, confidence = recognizer.predict(grey[y:y + h, x:x + w])
print( “”" 识别到人脸信息 标签:%d 可信度:%d “”" % (label, confidence) )
if confidence > 60: if label == 1: print(“小罗伯特唐尼”) print(“图片标签:”, str(label)) print(“可信度:”, str(confidence)) elif label == 2: print(“周星驰”) print(“图片标签:”, str(label)) print(“可信度:”, str(confidence)) else: print(“未匹配到数据”) cv2.imshow(‘im’, im) cv2.waitKey(0)
最后
Python崛起并且风靡,因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低,但它的晋级路线很多,通过它你能进入机器学习、数据挖掘、大数据,CS等更加高级的领域。Python可以做网络应用,可以做科学计算,数据分析,可以做网络爬虫,可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多,你需要学好基础,再选择明确的方向。这里给大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
👉Python所有方向的学习路线👈
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。
👉Python必备开发工具👈
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
👉Python全套学习视频👈
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。
👉实战案例👈
学python就与学数学一样,是不能只看书不做题的,直接看步骤和答案会让人误以为自己全都掌握了,但是碰到生题的时候还是会一筹莫展。
因此在学习python的过程中一定要记得多动手写代码,教程只需要看一两遍即可。
👉大厂面试真题👈
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
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!