基于OpenCV实现人脸识别--Python

牧锦程

已于 2022-05-27 20:35:47 修改

阅读量4.9k

点赞数

分类专栏： python 文章标签： opencv 计算机视觉人工智能

于 2021-12-21 18:05:35 首次发布

本文链接：https://blog.csdn.net/qq_48764574/article/details/122051076

版权

python 专栏收录该内容

11 篇文章 5 订阅

订阅专栏

前言

学习了图像识别，都没有具体的做出一个项目。现在的人脸识别很火，于是就做了一个基于opencv的人脸识别

第一章 OpenCV介绍

OpenCV基本函数使用--Python_牧子川的博客-CSDN博客

第二章功能描述

以下的功能都实现了，但是有些功能会在源码进行解释

2.1 对已有的数据进行检测

当训练器已经包含了本人的面部信息时，在进行识别时能准确的识别出来，并显示出来

2.2 陌生人检测并发出警告

当有陌生人靠近并停留了10s钟以上时，就会发出警报

2.3 保存陌生人的视频

当有陌生人靠经并停留10秒中以上时，将该陌生人的信息进行保存未视频

2.4 输入图片进行检测

可以对输入的人脸的图片进行检测

2.5 现场录用信息

可以以及录用人脸信息，并保存当前的人脸信息

第三章功能实现

3.1 截取人脸图片

第一步打开摄像头

import cv2

cap = cv2.VideoCapture(0)
while cap.isOpened():
    _, frame = cap.read()
    cv2.imshow("img", frame)
    key = cv2.waitKey(1)
    if key == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

cap.release()与cv2.destroyAllWindows()只能放在while循环体外。

第二步截取图片

使用的是人脸分类器

classfier = cv2.CascadeClassifier(r'G:\Opencv 4.5.3\opencv\build\etc\lbpcascades\lbpcascade_frontalface_improved.xml')

detectMultiScale函数。它可以检测出图片中所有的人脸，并将人脸用vector保存各个人脸的坐标、大小（用矩形表示），是一个一维数组[x, y, w, h]分别代表着上左，上右，下左，下右的坐标

faceRects = classfier.detectMultiScale(grey, scaleFactor=1.2, minNeighbors=20, flags=4)

detectMultiScale函数参数介绍

1、grey：是输入图像

2、scaleFactor：这个是每次缩小图像的比例，默认是1.1 ，我这里选用1.2

3、minNeighbors=15：它表明如果有15个框都重叠一起了，那这里肯定是脸部，当minNeighbors越大时，能适当提高精度

4、minSize()：匹配物体的最小范围 maxSize()：匹配物体的最大范围

5、 flags = 0：可以取如下这些值：

CASCADE_DO_CANNY_PRUNING = 1, 利用canny边缘检测来排除一些边缘很少或者很多的图像区域

CASCADE_SCALE_IMAGE = 2, 正常比例检测

CASCADE_FIND_BIGGEST_OBJECT = 4, 只检测最大的物体

第三步保存图片

cv2.imwrite(img_name, image)
cv2.rectangle(frame, (x - 20, y - 20), (x + w + 20, y + h + 20), rect_color, 2)
# 显示当前捕捉到了多少人脸图片了
font = cv2.FONT_HERSHEY_SIMPLEX
cv2.putText(frame, 'num:%d' % num, (x + 30, y + 30), font, 1, (255, 0, 255), 4)
num += 1
if num > 200:  # 如果超过指定最大保存数量退出循环
    break

保存图像

cv2.imwrite(file，img，num)保存一个图像

file：保存的文件名

img：要保存的图像。

num：可选，它针对特定的格式：对于JPEG，其表示的是图像的质量，用0 - 100的整数表示，默认95;对于png ,第三个参数表示的是压缩级别。默认为3.

3.2 对图片进行处理

对图片进行训练时，实际上训练的时图片的像素点，所以我们要得到图片的像素

第一步得到像素点

# 使用LBP分类器，还有一种更精确但速度较慢的Haar分类器
face_cascade = cv2.CascadeClassifier(r'G:\Opencv 4.5.3\opencv\build\etc\lbpcascades\lbpcascade_frontalface.xml')  # todo 
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5)
(x, y, w, h) = faces[0]
return gray[y:y + w, x:x + h], faces[0]

第二步得到图片相对应的标签和像素

label = int(dir_name.replace("s", ""))
face, rect = detect_face(image)
# 忽略为检测到的人脸
if face is not None:
    faces.append(face)
    labels.append(label)
return faces, labels

3.3 进行训练

opencv中的face有专门的训练方式，对每个参考图像计算LBPH，得到一个向量。每个人脸都是整个向量集中的一个点。

cv2.face_FaceRecognizer.train(src,labels)

● src：训练图像，用来学习的人脸图像。
● labels：标签，人脸图像所对应的标签。

def train(face_recognizer):
    """训练数据"""
    print("数据准备")
    faces, labels = prepare_training_data(r"./train_data")
    print("准备完成")
    print("Total faces: ", len(faces))
    print("Total labels: ", len(labels))
    print("开始训练")
    # 训练人脸识别器
    face_recognizer.train(faces, np.array(labels))
    # 保存训练好的模型
    face_recognizer.save(r"./models/train1.yml")
    print("训练完成")

3.4 进行预测

cv2.face_FaceRecognizer.predict()

使用我们的人脸识别器预测图像 predict()入口参数必须为单通道灰度图像
对当前人脸图像进行判断，从人脸库中寻找与当前图像距离最近的人脸图像，与某个人脸图像最近，就将当前图像标注为其对应的标签。如果待测图像与所有人脸图像的距离都大于函数cv2.face.LBPHFaceRecognizer_create()中参数threshold所指定的距离值，则认为没有找到对应的结果，即无法识别当前人脸。

返回的是一个元组，第一个是识别某一类，第二类是一个置信度，即有多少可能

# 加载训练好的模型
face_recognizer.read(r'./models/train1.yml')
addr = input("请输入图片地址：")
test_img = cv2.imread(addr)
# 复制图像，因为我们不想更改原始图像
test_img = test_img.copy()
face, rect = detect_face(test_img)
label = face_recognizer.predict(face)
label_text = subjects[label[0]]

draw_rectangle(test_img, rect)
draw_text(test_img, label_text, rect[0], rect[1] - 5)

cv2.imshow("predict", test_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.5 实时预测

就是在框出人脸图像的同时对这个图片进行预测，即把截取图片和预测同时进行

face_recognizer.read(r'./models/train.yml')
cap = cv2.VideoCapture(0)
# 循环检测识别人脸
while True:
    _, frame = cap.read()
    face, rect = detect_face(frame)
    try:
        label = face_recognizer.predict(face)
    except Exception as e:
        print("错误信息为：", e)
        traceback.print_exc()
        print('traceback.format_exc():\n%s'%traceback.format_exc())
        cv2.imshow('camera', frame)
    else:
        print(label)
        if label[1] > 80:
            draw_rectangle(frame, rect)
            draw_text(frame, subjects[0], rect[0], rect[1] - 5)
        else:
            label_text = subjects[label[0]]
            draw_rectangle(frame, rect)
            draw_text(frame, label_text, rect[0], rect[1] - 5)

    cv2.imshow('camera', frame)
    # 等待10毫秒看是否有按键输入
    k = cv2.waitKey(10)
    # 如果输入q则退出循环
    if k & 0xFF == ord('q'):
       break

# 释放摄像头并销毁所有窗口
cap.release()
cv2.destroyAllWindows()