opencv识别自己的脸

opencv识别自己的脸

本篇记录使用训练好的人脸识别模型来识别自己的脸。环境：VS2015，版本：opencv3.3.0。

过程

1. 加载opencv人脸检测的分类器；
2. 加载人脸识别模型；
3. 打开摄像头，读取图像；
4. 对读取的图像进行人脸检测，检测到就调整到与训练集图片相同的大小；
5. 把人脸与人类识别模型中的做对比，输出标签值；

其中关于得到人脸识别模型可以参考：http://blog.csdn.net/wanghz999/article/details/78773643

代码

#include<iostream>
#include<fstream>
#include<sstream>
#include<math.h>

#include<opencv2\opencv.hpp>
#include<opencv2\highgui.hpp>
#include<cv.h>
#include<objdetect.hpp>
#include<opencv2/face.hpp>


using namespace cv::face;
using namespace std;
using namespace cv;

CascadeClassifier cascade;
string cascade_xml_path = "F:/software/MyOpencv-3.3.0/install/etc/haarcascades/haarcascade_frontalface_alt.xml";    

int main()
{
    VideoCapture cap(0);
    assert(!cap.isOpened());
    cap.set(CV_CAP_PROP_FPS, 25.0);
    Mat test_img = imread("./data/whz.jpg", IMREAD_GRAYSCALE);
    Mat frame,img_gray,faceROI;
    Size my_size(92, 112);
    int test_label = 35;    //测试人脸的标签，35是我的标签值
    int p_label;
    vector<Rect> faces;
    namedWindow("View");
    cascade.load(cascade_xml_path);
    /*读取人脸识别模型*/
    //Ptr<EigenFaceRecognizer> model = Algorithm::load<EigenFaceRecognizer> \
        ("./data/my_eigen_face_model.xml"); //Eigen Faces算法
    //Ptr<FisherFaceRecognizer> model = Algorithm::load<FisherFaceRecognizer> \
        ("./data/my_fisher_face_model.xml");//Fisher Faces算法
    Ptr<LBPHFaceRecognizer> model = Algorithm::load<LBPHFaceRecognizer> \
        ("./data/my_lbph_face_model.xml");  //Local Binary Pattern Histograms
    while (1)
    {
        cap >> frame;
        cvtColor(frame, img_gray, CV_RGB2GRAY);
        equalizeHist(img_gray, img_gray);
        //人脸检测
        cascade.detectMultiScale(frame, faces, 1.1, 3, \
            CV_HAAR_SCALE_IMAGE, Size(30, 30));
        if (faces.size() > 0)
        {
            for (int i = 0; i < faces.size(); ++i)
            {
                faceROI = img_gray(faces[i]);   //灰度图才能与人脸识别模型中的进行对比
                resize(faceROI, faceROI, my_size);  //调整成训练集一样的大小
                rectangle(frame, faces[i], Scalar(255, 0, 0), 2, 8, 0);
                p_label = model->predict(faceROI);
                cout << "Test label:" << test_label << ",predict lable:" \
                    << p_label << endl;
                imshow("View", frame);
                waitKey(100);
            }
        }

    }
    return 0;
}

结果与说明

得到的结果截图如下（我长得比较丑就不放自己的人脸了）：

可以看到，人脸识别模型能够正确地识别我的脸。

但是，也是会出现误判的情况，主要原因是训练集中的图片太少。刚开始时我自己也只采集了10张图，与The ORL Database of Faces’数据库中的400张图作为训练集来训练，发现面部表情比较剧烈时就容易出现误判。然后将自己的人脸图加到100张左右，程序识别的正确率就有了一个很大提高。下面附上快速获取人脸训练集的程序：

快速获取人脸训练集程序

#include<iostream>
#include<fstream>
#include<sstream>
#include<math.h>

#include<opencv2\opencv.hpp>
#include<opencv2\highgui.hpp>
#include<cv.h>
#include<objdetect.hpp>
#include<opencv2/face.hpp>

using namespace cv::face;
using namespace std;
using namespace cv;

CascadeClassifier cascade;
//人脸检测分类器模型
string cascade_xml_path = "F:/software/MyOpencv-3.3.0/install/etc/haarcascades/haarcascade_frontalface_alt.xml";


int main()
{
    VideoCapture cap(0);
    assert(!cap.isOpened());
    cap.set(CV_CAP_PROP_FPS, 25.0);
    Mat frame, img_gray, faceROI;
    Size my_size(92, 112);          //训练集图像大小
    string keep_path = "./data/";   //存放采集后图像的人脸训练集目录
    string my_path,tmp_path;
    vector<Rect> faces;
    namedWindow("View");
    int count = 0;

    if(!cascade.load(cascade_xml_path))
        cout<<"Load haarcascade_frontalface_alt.xml error!"<<endl;
    while (1)
    {
        cap >> frame;
        cvtColor(frame, img_gray, CV_RGB2GRAY);
        equalizeHist(img_gray, img_gray);
        cascade.detectMultiScale(frame, faces, 1.1, 6, CV_HAAR_SCALE_IMAGE, Size(30, 30));
        if (faces.size() > 0)
        {
            for (int i = 0; i < faces.size(); ++i)
            {
                faceROI = frame(faces[i]);
                resize(faceROI, faceROI, my_size);
                rectangle(frame, faces[i], Scalar(255, 0, 0), 2, 8, 0);
                imshow("View", frame);
                waitKey(100);
                tmp_path = format("%d.jpg", count++);
                my_path = keep_path + tmp_path;
                imwrite(my_path, faceROI);
            }
        }
    }
    return 0;
}

采集完成之后，对一些模糊不清的人脸进行删除之后就可以加入到训练集中了。