opencv_day26(附带人脸识别，王珞丹还是白百何）

最新推荐文章于 2021-11-21 12:25:28 发布
最新推荐文章于 2021-11-21 12:25:28 发布
阅读量201 收藏 2
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35966478/article/details/103100785
版权 
import matplotlib.pyplot as plt
#用于训练的数据
#rand1数据位于（0，30）
rand1=np.random.randint(0,30,(20,2)).astype(np.float32)
# print('rand1:',rand1)
#rand2数据位于（70，100）
rand2=np.random.randint(70,100,(20,2)).astype(np.float32)
# print('rand2:',rand2)
#将rand1和rand2拼接为训练数据
trainData=np.vstack((rand1,rand2))
# print('traibData',trainData)
#数据标签，共两类：0和1
#r1Label对应着rand1的标签，为类型0
r1Label=np.zeros((20,1)).astype(np.float32)
# print('r1Label',r1Label)
#r2Label对应着rand2的标签，为类型1
r2Label=np.ones((20,1)).astype(np.float32)
# print('r2Label',r2Label)
tdLabel=np.vstack((r1Label,r2Label))
# print('tdLabel',tdLabel)
#使用绿色标注类型0
g=trainData[tdLabel.ravel()==0]
print('g',g)
plt.scatter(g[:,0],g[:,1],80,'g','o')
#使用蓝色标注类型1
b=trainData[tdLabel.ravel()==1]
plt.scatter(b[:,0],b[:,1],80,'b','s')
#plt.show()
#test为用于测试的随机数，该数在0到100之间
test=np.random.randint(0,100,(1,2)).astype(np.float32)
plt.scatter(test[:,0],test[:,1],80,'r','*')
#使用OpenCV内的K近邻模块，并进行训练
knn=cv2.ml.KNearest_create()
knn.train(trainData,cv2.ml.ROW_SAMPLE,tdLabel)
#使用K近邻算法分类
ret,results,neighbours,dist=knn.findNearest(test,5)
#显示处理结果
print('当前随机数可以判定为类型：',results)
print('距离当前点最近的5个邻居是：',neighbours)
print('5个最近邻居的距离：',dist)
#可以观察一下显示，对比上述输出
plt.show()

输出：
在这里插入图片描述
当前随机数可以判定为类型： [[0.]]
距离当前点最近的5个邻居是： [[0. 0. 0. 0. 0.]]
5个最近邻居的距离： [[325. 340. 377. 481. 484.]]

# 支持向量机（SVM)
#例子:已知老员工的笔试成绩、面试成绩及对应的等级表现，根据新入职员工的
#笔试成绩、面试成绩预测其可能额表现
import cv2
import numpy as np
import matplotlib.pyplot as plt
#第1步 准备数据
#表现为A级的员工的笔试、面试成绩
a=np.random.randint(95,100,(20,2)).astype(np.float32)
#表现为B级的员工的笔试、面试成绩
b=np.random.randint(90,95,(20,2)).astype(np.float32)
#合并数据
data=np.vstack((a,b))
data=np.array(data,dtype='float32')
#第2步 建立分组标签，0代表A级，1代表B级
#aLabel 对应着a的标签，为类型0-等级A
aLabel=np.zeros((20,1))
#bLabel对应着b的标签，为类型1-等级B
bLabel=np.ones((20,1))
#合并标签
label=np.vstack((aLabel,bLabel))
#print(label)
label=np.array(label,dtype='int32')
#第3步 训练
#用ml机器学习模块SVM_create()创建svm
svm=cv2.ml.SVM_create()
#属性设置，直接采用默认值即可
#svm.setType(cv2.ml.SVM_C_SVC) #svm type
#svm.setKernel(cv2.ml.SVM_LINEAR) #line
#svm.setC(0.01)
#训练
result=svm.train(data,cv2.ml.ROW_SAMPLE,label)
#第4步 预测
#生成两个随机的笔试成绩和面试成绩数据对
test=np.vstack([[98,90],[90,99]])
test=np.array(test,dtype='float32')
#预测
(p1,p2)=svm.predict(test)
#第5步 观察结果
#可视化
plt.scatter(a[:,0],a[:,1],80,'g','o')
plt.scatter(b[:,0],b[:,1],80,'b','s')
plt.scatter(test[:,0],test[:,1],80,'r','*')
plt.show()
#打印原始测试数据test,预测结果
print(test)
print(p2)

输出：
[[98. 90.]
[90. 99.]]
[[1.]
[1.]]
在这里插入图片描述

#随机生成一组数据，使用函数cv2.kmeans()对其进行分类
import numpy as np
import cv2
from matplotlib import pyplot as plt
#随机生成两组数组
#生成60个值在[0,50]内的xiaoMI直径数据
xiaoMI=np.random.randint(0,50,60)
#生成60个值在[200,250]内的daMI直径数据
daMI=np.random.randint(200,250,60)
#将xiaoMI和daMI组合为MI
MI=np.hstack((xiaoMI,daMI))
#使用reshape函数将其转换为（120，1）
MI=MI.reshape((120,1))
#将MI转换为float32类型
MI=np.float32(MI)
#设置参数criteria的值
criteria=(cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER,10,1.0)
#设置参数flags的值
flags=cv2.KMEANS_RANDOM_CENTERS
#调用函数kmeans
retval,bestLabels,centers=cv2.kmeans(MI,2,None,criteria,10,flags)
'''
#打印返回值
print(retval)
print(bestLabels)
print(centers)
'''
#获取分类结果
XM=MI[bestLabels==0]
DM=MI[bestLabels==1]
#绘制分类结果
#绘制原始数据
plt.plot(XM,'ro')
plt.plot(DM,'bo')
#绘制中心点
plt.plot(centers[0],'rx')
plt.plot(centers[1],'bx')
plt.show()

输出：
在这里插入图片描述

#有一堆米粒按照长度，宽度对它们分类
#假设有两种米粒，其中一种是XM,另外一种是DM
import numpy as np
import cv2
from matplotlib import pyplot as plt
#随机生成两组数值
#xiaomi组，长和宽都在[0,20]内
xiaomi=np.random.randint(0,20,(30,2))
#print(xiaomi)
#dami组，长和宽都在[40,60]
dami=np.random.randint(40,60,(30,2))
#print(dami)
#组合数据
MI=np.vstack((xiaomi,dami))
#转换为float32类型
MI=np.float32(MI)
print(MI)
#print(MI)
#调用kmeans模块
#设置参数criteria值
criteria=(cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER,10,1.0)
#调用kmeans函数,注意输入的待处理数据得是np.float32类型的
ret,label,center=cv2.kmeans(MI,2,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)
'''
#打印返回值
print(ret)
print(label)
print(center)
'''
#根据kmeans的处理结果，将数据分为两类，分为XM和DM两大类
XM=MI[label.ravel()==0]
DM=MI[label.ravel()==1]

#绘制分类结果数据及中心点
plt.scatter(XM[:,0],XM[:,1],c='g',marker='s')
plt.scatter(DM[:,0],DM[:,1],c='r',marker='o')
plt.scatter(center[0,0],center[0,1],s=200,c='b',marker='o')
plt.scatter(center[1,0],center[1,1],s=200,c='b',marker='s')
plt.xlabel('Height'),plt.ylabel('Width')
plt.show()

输出：
在这里插入图片描述

#使用函数cv2.kmeans()将灰度图像处理为只有两个灰度级的二值图像
#显示变换前后的图像，分别显示原始图像和二值化图像
import numpy as np
import  cv2
import matplotlib.pyplot as plt
#读取待处理图像
img=cv2.imread('./img/01.jpg')
#使用reshape将一个像素点的RGB值作为一个单元处理
data=img.reshape((-1,3))
#转换为kmeans可以处理的类型
data=np.float32(data)
#调用kmeans模块
criteria=(cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER,10,1.0)
K=2
ret,label,center=cv2.kmeans(data,K,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)
#转换为uint8数据类型，将每个像素点都赋值为当前分类的中心点像素值
#将center的值转换为uint8
center=np.uint8(center)
#使用center内的值替换原像素点的值
res1=center[label.flatten()]
#使用reshape调整替换后的图像
res2=res1.reshape((img.shape))
#显示处理结果
plt.subplot(121)
#plt显示的是RGB,而cv2读取的是BGR
img=cv2.cvtColor(img,cv2.COLOR_RGB2BGR)
plt.imshow(img)
plt.axis('off')
plt.subplot(122)
plt.imshow(res2)
plt.axis('off')
plt.show()

输出：
在这里插入图片描述

#注意：使用pip命令安装的opencv是没有级联分类器的
#需要自行安装
#使用函数cv2.CascadeClassifier.detectMultiScale()检测一副图像内的人脸
import cv2
#读取待检测的图像
image=cv2.imread('./img/basha.jpg')
#获取XML文件，加载人脸检测器
faceCascae=cv2.CascadeClassifier('./classifier/haarcascade_frontalface_default.xml')
#色彩转换，转换为灰度图像
gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
#调用函数detectMultiScale
faces=faceCascae.detectMultiScale(gray,scaleFactor=1.15,minNeighbors=5,minSize=(5,5))
print(faces)
#打印输出的测试结果
print("发现{0}个人脸！".format(len(faces)))
#逐个标注人脸
#xy为左上角坐标，wh为矩形的宽高
for (x,y,w,h) in faces:
    #cv2.rectangle(image,(x,y),(x+w,y+w),(0,255,0),2)#矩形标注
    cv2.circle(image,(int((x+x+w)/2),int((y+y+h)/2)),int(w/2),(0,255,0),2)
#显示结果
cv2.imshow('dect',image)
#保存检测结果
cv2.imwrite('./img/re.jpg',image)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：
[[313 455 67 67]
[485 454 71 71]
[648 451 69 69]
[249 88 74 74]
[622 175 62 62]
[323 214 59 59]
[178 209 62 62]
[354 145 63 63]
[ 69 155 55 55]
[509 126 59 59]
[103 232 78 78]
[462 169 68 68]
[788 206 65 65]
[ 36 211 65 65]]
发现14个人脸！
在这里插入图片描述

#本例使用opencv的LBPH模块实现一个简单的人脸识别示例
import cv2
import numpy as np
images=[]
images.append(cv2.imread('./img/a1.jpg',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('./img/a2.png',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('./img/b1.png',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('./img/b2.jpg',cv2.IMREAD_GRAYSCALE))
#0是王珞丹，1是白百何
labels=[0,0,1,1]
#生成LBPH识别器实例模型
recognizer=cv2.face.LBPHFaceRecognizer_create()
#进行训练，src:训练图像，labels:标签，人脸图像所对应的标签
recognizer.train(images,np.array(labels))
predict_image=cv2.imread('./img/test.jpeg',cv2.IMREAD_GRAYSCALE)
label,confidence=recognizer.predict(predict_image)
print('label=',label)
print('confidence=',confidence)

输出：
厉害啊，能识别王珞丹还是白百何
label= 1
confidence= 38.098748444117255
在这里插入图片描述
在这里插入图片描述

#使用OpenCV的EigenFaces模块实现一个简单的人脸识别示例
import cv2
import numpy as np
images=[]
images.append(cv2.imread('./img/e01.jpg',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('./img/e02.jpg',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('./img/e10.jpg',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('./img/e11.jpg',cv2.IMREAD_GRAYSCALE))
#0是王珞丹，1是白百何
labels=[0,0,1,1]
#生成EigenFaces识别器实例模型
recognizer=cv2.face.EigenFaceRecognizer_create()
#进行训练，src:训练图像，labels:标签，人脸图像所对应的标签
recognizer.train(images,np.array(labels))
predict_image=cv2.imread('./img/test.jpg',cv2.IMREAD_GRAYSCALE)
label,confidence=recognizer.predict(predict_image)
print('label=',label)
print('confidence=',confidence)

输出：
注意使用EigenFaces模块时输入图片的尺寸要是一样的。
在这里插入图片描述

#使用OpenCV的FisherFaces模块实现一个简单的人脸识别示例
import cv2
import numpy as np
images=[]
images.append(cv2.imread('./img/e01.jpg',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('./img/e02.jpg',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('./img/e10.jpg',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('./img/e11.jpg',cv2.IMREAD_GRAYSCALE))
#0是王珞丹，1是白百何
labels=[0,0,1,1]
#生成FisherFaces识别器实例模型
recognizer=cv2.face.FisherFaceRecognizer_create()
#进行训练，src:训练图像，labels:标签，人脸图像所对应的标签
recognizer.train(images,np.array(labels))
predict_image=cv2.imread('./img/test.jpg',cv2.IMREAD_GRAYSCALE)
label,confidence=recognizer.predict(predict_image)
print('label=',label)
print('confidence=',confidence)

输出：
在这里插入图片描述
这里置信度(识别结果与原有模型之间的距离）低于5000才算可靠，超标了。范围0-20000之间。同EigenFaces方法，LBPH小于50可靠，大于80 不可靠。

iu_程序员
关注
faceRecongnition.zip_opencv_opencv人脸识别_opencv识别_人脸识别_人脸识别 opencv
07-14
在本项目中，我们主要探讨的是如何利用OpenCV库在C++环境中实现人脸识别。OpenCV（Open Source Computer Vision Library）是一个强大的计算机视觉和机器学习软件库，它为开发者提供了多种图像处理和计算机视觉功能，...
Python之OpenCV图像处理需要注意的几点
m0_62166053的博客
03-10 323
Python之OpenCV图像处理注意事项（详解）
OpenCV 读取图片使用cv2.imread 并显示图片
Miniebin的博客
07-21 8339
OpenCV 读取图片使用cv2.imread 并显示图片 OpenCV读取图片的主要函数是cv2.imread, 有三种读取方式： cv2.imread(image path, cv2.IMREAD_COLOR): 这种是加载彩色图片，也可以写成： cv2.imread(image path,1) cv2.imread(image path, cv2.IMREAD_GRAYSCALE)：直接读取成为灰度图片，也可以写成 cv2.imread(image path,0) cv2.imread(i
python中利用Image和cv2库对图像操作的相关方法总结
qq_44949041的博客
04-23 6937
1 读取图片（转为numpy数组格式） 1.1 用cv2读取图像 cv2是经常用到的库，用它读入图像的方法为： img = cv2.imread(参数1,参数2) #直接读入是一个三维矩阵 其中： 参数1是所要读的图像的路径名 参数2是加载图像的方式，主要有以下三种：（可以写数字，也可写前面的英文字符串） cv2.IMREAD_COLOR：加载彩色图片，这个是默认参数，可以直接写1。 cv2.IMREAD_GRAYSCALE：以灰度模式加载图片，可以直接写0。 cv2.IMREAD_UNCH
【OpenCV 例程200篇】37. 图像的灰度化处理和二值化处理（cv2.threshold）
热门推荐
youcans的博客
11-21 1万+
OpenCV 中彩色图像使用 BGR 格式。彩色图像进行灰度化处理，可以在读取图像文件时直接读取为灰度图像，也可以通过颜色空间转换函数 **cv2.cvtColor** 将彩色图像转换为灰度图像。 灰度化处理相关函数和例程介绍，详见 [OpenCV 学习课-2.图像读取与显示]。 函数 threshold() 可以将灰度图像转换为二值图像，图像完全由像素 0 和 255 构成，呈现出只有黑白两色的视觉效果。......
opecv入门:K近邻算法
AI路漫漫
10-01 280
k近邻手写数字识别
opencv人脸识别代码.zip_opencv_opencv 人脸_opencv人脸识别_opencv识别_人脸识别
07-15
在本压缩包中，你将找到一系列使用OpenCV进行人脸识别的C++代码示例，这些代码展示了如何利用OpenCV的强大功能来实现人脸识别。 1. **Haar级联分类器**：OpenCV中的人脸检测最常用的方法是Haar特征级联分类器。这个...
人脸识别.rar_opencv 项目_人脸识别 opencv_人脸识别opencv_动态人脸_识别
07-15
在本项目中，“人脸识别.rar_opencv 项目_人脸识别 opencv_人脸识别opencv_动态人脸_识别”主要聚焦于利用OpenCV进行人脸识别，特别是动态人脸识别。 人脸识别是计算机视觉领域的一个重要课题，它涉及到图像处理、...
facetest.zip_opencv人证_人脸_人脸识别 opencv_人证对比_人证识别
07-15
本项目“facetest.zip”聚焦于1:1的人脸识别对比，它结合了OpenCV库和facerecognition库，以实现人证合一（身份证与真人面部的匹配）的应用。 OpenCV（开源计算机视觉库）是一个强大的图像处理和计算机视觉工具，它...
OpenCV人脸识别案例课程PDF.zip_OPENCV 人脸识别_opencv_opencv 识别_opencv案例_人脸识别
07-14
OpenCV（开源计算机视觉库）是计算机视觉领域中一个强大的工具，尤其在图像处理和人脸识别方面有着广泛的应用。本课程的焦点在于通过一系列实战案例，深入浅出地讲解OpenCV在人脸识别上的应用。以下是关于OpenCV人脸...
机器学习分类算法(一)-逻辑回归
猫敷雪
07-06 1590
​​∑i=1m​(yi​hθ​(xi​)1​δi​δ​hj​(xi​)−(1−yi​)1−hθ​(xi​)1​δi​δ​hθ​(xi​)) =−1m∑i=1m(yi1g(θ⊤xi)−(1−yi)11−g(θ⊤xi))δδig(θ⊤xi)=-\frac{1}{m} \sum_{i=1}^{m}\left(y_{i} \frac{1}{g\left(\theta^{\top} x_{i}\right)}-\left(1-y_{i}\right) \frac{1}{1-g\left(\theta^{\top} x
python中label函数_label2idx MATLAB函数的Python等价
weixin_39837139的博客
11-25 570
给定一个包含从1到{}的所有标签的标签label_arr数组，您可以：def label2idx(label_arr):return [np.where(label_arr.ravel() == i)[0]for i in range(1, np.max(label_arr) + 1)]如果您想放宽包含所有标签的要求，可以添加一个简单的if，即：^{pr2}$只是为了复制MATLAB文档中的示例：...
OpenCV python K近邻模块的使用
廷益_飞鸟的博客
02-03 261
OpenCV python K近邻模块的使用 import cv2 import numpy as np import matplotlib.pyplot as plt def main(): # 1.创建训练数据集 rand1 = np.random.randint(0, 30, (20, 2)).astype(np.float32) rand2 = np.rand...
K近邻算法【OpenCV&Python】
weixin_45739042的博客
07-01 595
机器学习算法是从数据中产生模型，也就是进行学习的算法。我们把经验提供算法，它能够根据经验数据产生模型。在面对新的情况时，模型就会为我们提供判断结果。 从数据中学得模型的过程称为学习（Learning）或者训练（Training），在训练过程中所使用的数据称为训练数据，其中的每个样本称为训练样本，训练样本所组成的合集称为训练集。 当然，如果希望获得一个模型，除了有数据还需要给样本贴上标签（Label） ...
win10+Python3.7.3+OpenCV3.4.1入门学习（二十章 K近邻算法）————20.5 K近邻模块的基本使用
qq_951274168的博客
02-20 253
Python版本是Python3.7.3，OpenCV版本OpenCV3.4.1，开发环境为PyCharm 20.5 K近邻模块的基本使用 在OpenCV中，不需要自己编写复杂的函数实现K近邻算法，直接调用其自带的模块函数即可。本节通过一个简单的例子介绍如何使用OpenCV自带的K近邻模块。 eg2：演示OpenCV自带的K近邻模块的使用方法。 本例中有两组位于不同位置的用于训练的数据集，如图20...
王珞丹用手写传递情感 字体入库笔尖上的中国
zoomla188的博客
04-26 1380
作者：Q葩小玉 浏览次数：4044 17/04/26 15:08  王珞丹多年来一直坚持在微博上手写人生感悟，与她的千万粉丝和网友们互动“见字如唔”。 随着文化读书类节目的热播，关于读书、手写书信等多年被大家遗忘的文化传统又回归大众视野。其实在热闹的娱乐圈，能静下心来写字的明星也不在少数，难能可贵的是一众80，90后鲜肉小花们，也并没有忘记“见字如唔”这样的文化传统。 　
考研复习-英语二真题考试题集-带答案
09-14
英语二考研真题复习资料，带答案版
2024中美独角兽公司发展分析报告.pdf
最新发布
09-14
全球各大洲独角兽企业分布、中美独角兽企业对比（数量、估值、新增及退榜情况、行业分布、所在城市）、
基于OpenCV和Python的实时人脸识别系统
人脸识别技术应用于Python与OpenCV 人脸识别是生物识别技术中的一种，通过拍摄人脸图像来识别身份。该技术广泛应用于安全系统、身份验证、人机交互等领域。本文将介绍如何使用Python和OpenCV实现人脸识别。 **人脸...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值