一，前言
本人是机械专业在读硕士，在完成暑假实践的时候接触到了人脸识别，对这一实现很感兴趣，所以花了大概十天时间做出了自己的人脸识别。这篇文章应该是很详细的了所以帮你实现人脸识别应该没什么问题。
先说本博文的最终要达到的效果：通过一系列操作，在摄像头的视频流中识别特定人的人脸，并且予以标记。
本人通过网上资料的查询发现这类人脸识别，大多参考了一位日本程序员小哥的文章。
链接：https://github.com/Hironsan/BossSensor
关于这个思路的人脸识别网上资料很多，但是有很多细节没有提到，我在实践的过程中菜过了无数的坑，希望我这篇文章能够对你提供更加清晰的思路和操作。先看结果（人丑勿怪）！这个是识别我的脸，别人的脸不会识别到
其实，这已经涉及到了一些机器学习的内容，对于像入门机器学习的同学来说是一个不错的练手的项目。
如果你想要系统地学习人工智能，那么推荐你去看床长人工智能教程。非常棒的大神之作。教程不仅通俗易懂，而且很风趣幽默。点击这里可以查看教程。
二、前期准备工作
首先说，我在刚开始接触的时候，主要是在各种数据包的安装上以及环境的配置上花费了巨大的时间，有些数据包升级版本之后与一些功能不兼容，出了很多问题，所以。我在这里说一下我的数据包的版本和python版本。现在可以用anaconda来下载python和各种数据包，但是最新的版本是用python3.6.X，在后面的实践中可能会出现不同的问题，所以为了安全起见python最好选择3.5.X的，不要安装2.X的，与3.X的版本不兼容，会出现很多问题。另外再安装一个tensorflow，pip，keras，sklearn，PIL，numpy，opencv等。其中keras要安装2.0版本的，opencv安装3.3.1版本的。tensorflow有CPU版本的和GPU版本的，你可以看一下你适合哪一种，这里贴出来一些供你参考：
您必须从以下 TensorFlow 类型中选择其一来进行安装：
仅支持 CPU 的 TensorFlow。如果您的系统没有 NVIDIA® GPU，则必须安装此版本。请注意，此版本的 TensorFlow 通常更容易安装（用时通常在 5 或 10 分钟内），所以即使您拥有 NVIDIA GPU，我们也建议先安 装此版本。预编译的二进制文件将使用 AVX 指令。
支持 GPU 的 TensorFlow。TensorFlow 程序在 GPU 上的运行速度通常要比在 CPU 上快得多。因此，如果您 的系统配有满足以下所示先决条件的 NVIDIA® GPU，并且您需要运行性能至关重要的应用，则最终应安装此 版本。
另外我在安装的过程中发现了几篇比较不错的博文供你参考：
1.https://blog.csdn.net/Eppley/article/details/79297503
2.https://blog.csdn.net/WJ_MeiMei/article/details/79684627
3.https://zhuanlan.zhihu.com/p/24055668
在几篇博文里你也会看到验证安装正确的方法，如果可以的话，说明你安装成功了，这里我就不多说了。后面的话你可能还会遇到别的什么问题，如果还需要安装什么模块的话，在安装也可以。
在硬件方面，你还需要一个USB摄像头。
总结：
-
USB摄像头一个；
-
python -- 3.5.X
-
tensorflow
-
opencv -- 3.3.1
-
keras -- 2.0.X
-
sklearn -- 0.19.0
三、正式开始
1，识别人脸
实现人脸识别简单程序没几行，但是我们要实现的是识别这个是谁的脸。首先我们让系统识别人脸，这是opencv的工作，我们只需要调用其中的API函数就可以了。下面是调用opencv实现对于人脸的识别。咱们在程序下面对程序进行一些解释：
-
-
-
import cv2
-
import sys
-
from PIL
import Image
-
-
def CatchUsbVideo(window_name, camera_idx):
-
cv2.namedWindow(window_name)
-
-
#视频来源，可以来自一段已存好的视频，也可以直接来自USB摄像头
-
cap = cv2.VideoCapture(camera_idx)
-
-
#告诉OpenCV使用人脸识别分类器
-
classfier = cv2.CascadeClassifier(
"H:\\OpenCV\\opencv\\build\\etc\\haarcascades\\haarcascade_frontalface_alt2.xml")
-
-
#识别出人脸后要画的边框的颜色，RGB格式
-
color = (
0,
255,
0)
-
-
while cap.isOpened():
-
ok, frame = cap.read()
#读取一帧数据
-
if
not ok:
-
break
-
-
#将当前帧转换成灰度图像
-
grey = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
-
-
#人脸检测，1.2和2分别为图片缩放比例和需要检测的有效点数
-
faceRects = classfier.detectMultiScale(grey, scaleFactor =
1.2, minNeighbors =
3, minSize = (
32,
32))
-
if len(faceRects) >
0:
#大于0则检测到人脸
-
for faceRect
in faceRects:
#单独框出每一张人脸
-
x, y, w, h = faceRect
-
cv2.rectangle(frame, (x -
10, y -
10), (x + w +
10, y + h +
10), color,
2)
-
-
#显示图像
-
cv2.imshow(window_name, frame)
-
c = cv2.waitKey(
10)
-
if c &
0xFF == ord(
'q'):
-
break
-
-
#释放摄像头并销毁所有窗口
-
cap.release()
-
cv2.destroyAllWindows()
-
-
if __name__ ==
'__main__':
-
if len(sys.argv) !=
1:
-
print(
"Usage:%s camera_id\r\n" % (sys.argv[
0]))
-
else:
-
CatchUsbVideo(
"识别人脸区域",
0)
- 1
首先，第一行import cv2，实际上，”cv2”中的”2”并不表示OpenCV的版本号。我们知道，OpenCV是基于C/C++的，”cv”和”cv2”表示的是底层CAPI和C++API的区别，”cv2”表示使用的是C++API。这主要是一个历史遗留问题，是为了保持向后兼容性。PIL是一个模块，如果运行的过程中提示你缺少模块的时候你就要安装一个模块了，其余同理，就不再说了。另外在函数Catchusbvideo中，第二个参数指的是你电脑的摄像头的编号，例如是0，1，2等，如果0不行的话，试一下1。在下边的人脸识别分类器中是我自己下载的opencv，下载网站是：https://opencv.org/releases.html，如果你是windows选择对应版本就好，还有就是“H:\\OpenCV\\opencv\\build\\etc\\haarcascades\\haarcascade_frontalface_alt2.xml”这是我安装的一个路径，你也要找到这个路径并且复制到程序中，这个东西的作用主要是实现对人脸识别的功能，在安装中还有其他的功能，我也一并列在下面：
人脸检测器（默认）：haarcascade_frontalface_default.xml
人脸检测器（快速Harr）：haarcascade_frontalface_alt2.xml
人脸检测器（侧视）：haarcascade_profileface.xml
眼部检测器（左眼）：haarcascade_lefteye_2splits.xml
眼部检测器（右眼）：haarcascade_righteye_2splits.xml
嘴部检测器：haarcascade_mcs_mouth.xml
鼻子检测器：haarcascade_mcs_nose.xml
身体检测器：haarcascade_fullbody.xml
人脸检测器（快速LBP）：lbpcascade_frontalface.xml
另外，如果我们想构建自己的分类器，比如识别火焰、汽车，数，花等，我们依然可以使用OpenCV训练构建。
对同一个画面有可能出现多张人脸，因此，我们需要用一个for循环将所有检测到的人脸都读取出来，然后逐个用矩形框框出来，这就是接下来的for语句的作用。Opencv会给出每张人脸在图像中的起始坐标（左上角，x、y）以及长、宽（h、w），我们据此就可以截取出人脸。其中，cv2.rectangle()完成画框的工作，在这里外扩了10个像素以框出比人脸稍大一点的区域。cv2.rectangle()函数的最后两个参数一个用于指定矩形边框的颜色，一个用于指定矩形边框线条的粗细程度。
运行结果：
好，看来可以顺利的识别出视频中的脸，搞定！但是我们想做的是识别这个人脸是谁的，这仅仅能识别这是谁的脸，完全不能满足我们的渴望，接下来我们进行下一步！
2.模型训练
模型训练的目的是让电脑知道，这个脸的特征是什么，从而可以在视频流中识别。在训练之前必须先准备足够的脸部照片作为机器学习的资料。
2.1准备机器学习的资料
所谓机器学习就是给程序投喂足够多的资料，资料越多，准确度和效率也会越高。要想识别出这张人脸属于谁，我们肯定需要大量的自己的脸和别人的脸，这样才能区别开。然后将这些数据输入到Tensorflow中建立我们自己脸的模型。
1.keras简介
上面提到的日本小哥利用深度学习库keras来训练自己的人脸识别模型。 我这里找到一篇keras的中文文档可能对你有些帮助。另外关于Keras， Keras是由纯python编写的基于theano/tensorflow的深度学习框架。Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras：
a）简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
b）支持CNN和RNN，或二者的结合
c）无缝CPU和GPU切换
Keras的模块结构：
使用Keras搭建一个神经网络：
数据格式(data_format)：
目前主要有两种方式来表示张量：
a) th模式或channels_first模式，Theano和caffe使用此模式。
b）tf模式或channels_last模式，TensorFlow使用此模式。
因为我装的是tensorflow因此我直接使用了keras的Tensorflow版，同时，为了验证其它深度学习库的效率和准确率，我还使用了Theano，利用CNN——卷积神经网络来训练我的人脸识别模型。本节专注把训练数据准备好。
完整代码如下：
-
-
-
import cv2
-
import sys
-
-
from PIL
import Image
-
-
def CatchPICFromVideo(window_name, camera_idx, catch_pic_num, path_name):
-
cv2.namedWindow(window_name)
-
-
#视频来源，可以来自一段已存好的视频，也可以直接来自USB摄像头
-
cap = cv2.VideoCapture(camera_idx)
-
-
#告诉OpenCV使用人脸识别分类器
<
最低0.47元/天 解锁文章
21万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
