方法讲解
人脸检测，把图像分成一个个小块，对每一个小块判断是否是人脸，假如一张图被分成了5000块，则速度非常慢。
为了提高效率，OpenCV 提供 cascades 来避免这种情况。提供了一系列的xml文件
cascades ：翻译 ：小瀑布 级联
cascade 对于每个数据块，它都进行一个简单快速的检测。若过，会再进行一个更仔细的检测。该算法有 30 到 50 个这样的阶段，或者说 cascade。只有通过全部阶段，cascade才会判断检测到人脸。这样做的好处是：大多数小块都会在前几步就产生否定反馈，节约时间。
资源链接，该资源不仅仅包括人脸xml，还有其他眼睛等。赚取点积分吧。
OpenCV人脸识别xml文件.zip
或者
OpenCV官网
从官网Sources里找资源，data文件夹中有是特征文件，我们一般选用haarcascade_frontalface_default.xml
人脸检测
1人脸检测实现
import numpy as np
import cv2
# 实例化人脸分类器
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')#xml来源于资源文件。
# 读取测试图片
img = cv2.imread('faces.jpg',cv2.IMREAD_COLOR)
# 将原彩色图转换成灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 开始在灰度图上检测人脸，输出是人脸区域的外接矩形框
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=1)
# 遍历人脸检测结果
for (x,y,w,h) in faces:
# 在原彩色图上画人脸矩形框
cv2.rectangle(img,(x,y),(x+w,y+h),(255,255,0),2)
# 显示画好矩形框的图片
cv2.namedWindow('faces', cv2.WINDOW_AUTOSIZE)
cv2.imshow('faces',img)
# 等待退出键
cv2.waitKey(0)
# 销毁显示窗口
cv2.destroyAllWindows()修改face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=1) 里的参数值可以得到不同的识别精度，有的识别出的人多，有的少。
2摄像头下人脸检测实现
import cv2 as cv
import numpy as np
def face_detect_demo(image):
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
face_detector = cv.CascadeClassifier("haarcascade_frontalface_default.xml")
faces = face_detector.detectMultiScale(gray, 1.2, 6)
for x, y, w, h in faces:
cv.rectangle(image, (x, y), (x+w, y+h), (0, 0, 255), 2)
cv.imshow("result", image)
print("--------- Python OpenCV Tutorial ---------")
capture = cv.VideoCapture(0)
cv.namedWindow("result", cv.WINDOW_AUTOSIZE)
while(True):
ret, frame = capture.read()
frame = cv.flip(frame, 1)#左右翻转
face_detect_demo(frame)
c = cv.waitKey(10)
if c == 27: # ESC
break
cv.waitKey(0)
cv.destroyAllWindows()手拿平板试下吧，博主我不上镜。
同理：调整 face_detector.detectMultiScale(gray, 1.2, 6) 的参数值，效果不一样。
人脸识别
前面讲得是人脸检测，即检测出图片是否含有脸。接下来完成人脸识别，即识别出当前脸是谁。
数据集
选取杨幂和刘亦菲的网图各几张。
训练模型并保存
注意：如果出现module ‘cv2.cv2’ has no attribute ‘face’ 错误信息。
说明没有安装opencv-contrib-python 包，这是OpenCV外带模块，外带模块是测试性能不足，所以没有一起放在opencv包里。
解决方法：pip install opencv-contrib-python
import os
import numpy as np
import cv2
#脸部检测函数
def face_detect_demo(image):
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
faces = face_detector.detectMultiScale(gray, 1.2, 6)
# 如果未检测到面部，则返回原始图像
if (len(faces) == 0):
return None, None
# 目前假设只有一张脸，xy为左上角坐标，wh为矩形的宽高
(x, y, w, h) = faces[0]
# 返回图像的脸部部分
return gray[y:y + w, x:x + h], faces[0]
def ReFileName(dirPath):
"""
:param dirPath: 文件夹路径
:return:
"""
# 对目录下的文件进行遍历
faces=[]
for file in os.listdir(dirPath):
# 判断是否是文件
if os.path.isfile(os.path.join(dirPath, file)) == True:
c= os.path.basename(file)
name = dirPath + '' + c
img = cv2.imread(name)
# 检测脸部
face, rect = face_detect_demo(img)
# 我们忽略未检测到的脸部
if face is not None:
# 将脸添加到脸部列表并添加相应的标签
faces.append(face)
cv2.waitKey(1)
cv2.destroyAllWindows()
return faces
#杨幂照读取
dirPathyangmi = r"C:UsersShineionDesktopyangmi"#文件路径
yangmi=ReFileName(dirPathyangmi)#调用函数
labelyangmi=np.array([0 for i in range(len(yangmi))])#标签处理
#刘亦菲照读取
dirPathliuyifei = r"C:UsersShineionDesktopyangmi"#文件路径
liuyifei=ReFileName(dirPathliuyifei)#调用函数
labelliuyifei=np.array([1 for i in range(len(liuyifei))])#标签处理
#拼接并打乱数据特征和标签
x=np.concatenate((yangmi,liuyifei),axis=0)
y=np.concatenate((labelyangmi,labelliuyifei),axis=0)
index = [i for i in range(len(y))] # test_data为测试数据
np.random.seed(1)
np.random.shuffle(index) # 打乱索引
train_data = x[index]
train_label = y[index]
#分类器
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.train(train_data, train_label)
# 保存训练数据
recognizer.write('train.yml')人脸图像预测
import cv2
#人脸检测函数
def face_detect_demo(image):
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
faces = face_detector.detectMultiScale(gray, 1.2, 6)
# 如果未检测到面部，则返回原始图像
if (len(faces) == 0):
return None, None
# 目前假设只有一张脸，xy为左上角坐标，wh为矩形的宽高
(x, y, w, h) = faces[0]
# 返回图像的脸部部分
return gray[y:y + w, x:x + h], faces[0]
#导入训练结果
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('train.yml')#读取前文训练的结果
# 根据给定的人脸（x，y）坐标和宽度高度在图像上绘制矩形
def draw_rectangle(img, rect):
(x, y, w, h) = rect#矩形框
cv2.rectangle(img, (x, y), (x + w, y + h), (255, 255, 0), 2)
# 根据给定的人脸（x，y）坐标写出人名
def draw_text(img, text, x, y):
cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (128, 128, 0), 2)
# 此函数识别图像中的人物并在脸部周围绘制一个矩形及其人名
facelabel = ["yangmi", "liuyifei"]#人物名
def predict(image):
# 生成图像的副本，保留原始图像
img = image.copy()
# 检测人脸区域
face, rect = face_detect_demo(img)#face_detect_demo前面的人脸检测函数
#print(rect)=[x,y,w,h]
# 预测人脸名字
label = recognizer.predict(face)
print(label)#label[0]为名字，label[1]可信度数值越低，可信度越高（
if label[1]<=50:
# 获取由人脸识别器返回的相应标签的人名
label_text = facelabel[label[0]]
# 在检测到的脸部周围画一个矩形
draw_rectangle(img, rect)
# 标出预测的人名
draw_text(img, label_text, rect[0], rect[1])
# 返回预测的图像
return img
else:
# 在检测到的脸部周围画一个矩形
draw_rectangle(img, rect)
# 标出预测的人名
draw_text(img, "not find", rect[0], rect[1])
# 返回预测的图像
return img
test_img = cv2.imread("C:UsersShineionDesktopliuyifei8.jpg")
#执行预测
pred_img = predict(test_img)
cv2.imshow('result', pred_img)
cv2.waitKey(0)
cv2.destroyAllWindows()结果
换一个张图试下
再换张其他人的，来源网图，如有侵权，联系我删除。
注意事项：
1本文的训练集图片太少，所以测试有些误差，有的图片要识别出错。可以自己调整可信度系数和增加训练集图片
2.本文模型是二分类，也可以多分类。标签分别是[0,1,2,3,4,…],不需要one-hot化。这点不同于常规分类器
3.图片路径不能出现中文，OpenCV决定的。标注的名字不能出现中文，中文乱码，自己可以研究下OpenCV标注中文。
源码或者视频教程加群：1136192749
方法讲解
人脸检测，把图像分成一个个小块，对每一个小块判断是否是人脸，假如一张图被分成了5000块，则速度非常慢。
为了提高效率，OpenCV 提供 cascades 来避免这种情况。提供了一系列的xml文件
cascades ：翻译 ：小瀑布 级联
cascade 对于每个数据块，它都进行一个简单快速的检测。若过，会再进行一个更仔细的检测。该算法有 30 到 50 个这样的阶段，或者说 cascade。只有通过全部阶段，cascade才会判断检测到人脸。这样做的好处是：大多数小块都会在前几步就产生否定反馈，节约时间。
资源链接，该资源不仅仅包括人脸xml，还有其他眼睛等。赚取点积分吧。
OpenCV人脸识别xml文件.zip
或者
OpenCV官网
从官网Sources里找资源，data文件夹中有是特征文件，我们一般选用haarcascade_frontalface_default.xml
人脸检测
1人脸检测实现
import numpy as np
import cv2
# 实例化人脸分类器
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')#xml来源于资源文件。
# 读取测试图片
img = cv2.imread('faces.jpg',cv2.IMREAD_COLOR)
# 将原彩色图转换成灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 开始在灰度图上检测人脸，输出是人脸区域的外接矩形框
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=1)
# 遍历人脸检测结果
for (x,y,w,h) in faces:
# 在原彩色图上画人脸矩形框
cv2.rectangle(img,(x,y),(x+w,y+h),(255,255,0),2)
# 显示画好矩形框的图片
cv2.namedWindow('faces', cv2.WINDOW_AUTOSIZE)
cv2.imshow('faces',img)
# 等待退出键
cv2.waitKey(0)
# 销毁显示窗口
cv2.destroyAllWindows()修改face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=1) 里的参数值可以得到不同的识别精度，有的识别出的人多，有的少。
2摄像头下人脸检测实现
import cv2 as cv
import numpy as np
def face_detect_demo(image):
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
face_detector = cv.CascadeClassifier("haarcascade_frontalface_default.xml")
faces = face_detector.detectMultiScale(gray, 1.2, 6)
for x, y, w, h in faces:
cv.rectangle(image, (x, y), (x+w, y+h), (0, 0, 255), 2)
cv.imshow("result", image)
print("--------- Python OpenCV Tutorial ---------")
capture = cv.VideoCapture(0)
cv.namedWindow("result", cv.WINDOW_AUTOSIZE)
while(True):
ret, frame = capture.read()
frame = cv.flip(frame, 1)#左右翻转
face_detect_demo(frame)
c = cv.waitKey(10)
if c == 27: # ESC
break
cv.waitKey(0)
cv.destroyAllWindows()手拿平板试下吧，博主我不上镜。
同理：调整 face_detector.detectMultiScale(gray, 1.2, 6) 的参数值，效果不一样。
人脸识别
前面讲得是人脸检测，即检测出图片是否含有脸。接下来完成人脸识别，即识别出当前脸是谁。
数据集
选取杨幂和刘亦菲的网图各几张。
训练模型并保存
注意：如果出现module ‘cv2.cv2’ has no attribute ‘face’ 错误信息。
说明没有安装opencv-contrib-python 包，这是OpenCV外带模块，外带模块是测试性能不足，所以没有一起放在opencv包里。
解决方法：pip install opencv-contrib-python
import os
import numpy as np
import cv2
#脸部检测函数
def face_detect_demo(image):
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
faces = face_detector.detectMultiScale(gray, 1.2, 6)
# 如果未检测到面部，则返回原始图像
if (len(faces) == 0):
return None, None
# 目前假设只有一张脸，xy为左上角坐标，wh为矩形的宽高
(x, y, w, h) = faces[0]
# 返回图像的脸部部分
return gray[y:y + w, x:x + h], faces[0]
def ReFileName(dirPath):
"""
:param dirPath: 文件夹路径
:return:
"""
# 对目录下的文件进行遍历
faces=[]
for file in os.listdir(dirPath):
# 判断是否是文件
if os.path.isfile(os.path.join(dirPath, file)) == True:
c= os.path.basename(file)
name = dirPath + '' + c
img = cv2.imread(name)
# 检测脸部
face, rect = face_detect_demo(img)
# 我们忽略未检测到的脸部
if face is not None:
# 将脸添加到脸部列表并添加相应的标签
faces.append(face)
cv2.waitKey(1)
cv2.destroyAllWindows()
return faces
#杨幂照读取
dirPathyangmi = r"C:UsersShineionDesktopyangmi"#文件路径
yangmi=ReFileName(dirPathyangmi)#调用函数
labelyangmi=np.array([0 for i in range(len(yangmi))])#标签处理
#刘亦菲照读取
dirPathliuyifei = r"C:UsersShineionDesktopyangmi"#文件路径
liuyifei=ReFileName(dirPathliuyifei)#调用函数
labelliuyifei=np.array([1 for i in range(len(liuyifei))])#标签处理
#拼接并打乱数据特征和标签
x=np.concatenate((yangmi,liuyifei),axis=0)
y=np.concatenate((labelyangmi,labelliuyifei),axis=0)
index = [i for i in range(len(y))] # test_data为测试数据
np.random.seed(1)
np.random.shuffle(index) # 打乱索引
train_data = x[index]
train_label = y[index]
#分类器
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.train(train_data, train_label)
# 保存训练数据
recognizer.write('train.yml')人脸图像预测
import cv2
#人脸检测函数
def face_detect_demo(image):
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
faces = face_detector.detectMultiScale(gray, 1.2, 6)
# 如果未检测到面部，则返回原始图像
if (len(faces) == 0):
return None, None
# 目前假设只有一张脸，xy为左上角坐标，wh为矩形的宽高
(x, y, w, h) = faces[0]
# 返回图像的脸部部分
return gray[y:y + w, x:x + h], faces[0]
#导入训练结果
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('train.yml')#读取前文训练的结果
# 根据给定的人脸（x，y）坐标和宽度高度在图像上绘制矩形
def draw_rectangle(img, rect):
(x, y, w, h) = rect#矩形框
cv2.rectangle(img, (x, y), (x + w, y + h), (255, 255, 0), 2)
# 根据给定的人脸（x，y）坐标写出人名
def draw_text(img, text, x, y):
cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (128, 128, 0), 2)
# 此函数识别图像中的人物并在脸部周围绘制一个矩形及其人名
facelabel = ["yangmi", "liuyifei"]#人物名
def predict(image):
# 生成图像的副本，保留原始图像
img = image.copy()
# 检测人脸区域
face, rect = face_detect_demo(img)#face_detect_demo前面的人脸检测函数
#print(rect)=[x,y,w,h]
# 预测人脸名字
label = recognizer.predict(face)
print(label)#label[0]为名字，label[1]可信度数值越低，可信度越高（
if label[1]<=50:
# 获取由人脸识别器返回的相应标签的人名
label_text = facelabel[label[0]]
# 在检测到的脸部周围画一个矩形
draw_rectangle(img, rect)
# 标出预测的人名
draw_text(img, label_text, rect[0], rect[1])
# 返回预测的图像
return img
else:
# 在检测到的脸部周围画一个矩形
draw_rectangle(img, rect)
# 标出预测的人名
draw_text(img, "not find", rect[0], rect[1])
# 返回预测的图像
return img
test_img = cv2.imread("C:UsersShineionDesktopliuyifei8.jpg")
#执行预测
pred_img = predict(test_img)
cv2.imshow('result', pred_img)
cv2.waitKey(0)
cv2.destroyAllWindows()结果
换一个张图试下
再换张其他人的，来源网图，如有侵权，联系我删除。
注意事项：
1本文的训练集图片太少，所以测试有些误差，有的图片要识别出错。可以自己调整可信度系数和增加训练集图片
2.本文模型是二分类，也可以多分类。标签分别是[0,1,2,3,4,…],不需要one-hot化。这点不同于常规分类器
3.图片路径不能出现中文，OpenCV决定的。标注的名字不能出现中文，中文乱码，自己可以研究下OpenCV标注中文。
269
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
