keras如何批量读取图片_基于OpenCV和Keras实现人脸识别系列——三、图片数据集预处理...

基于OpenCV和Keras的人脸识别系列手记：

项目完整代码参见Github仓库。

本篇手记是上面这一系列的第三篇。

之前已经准备好了训练模型需要用到的人脸图片，接下来的思路大致如下：

对数据进行简单的预处理；

用处理好的数据训练卷积神经网络并用测试数据评估模型性能；

如果模型准确率不够，考虑收集更多数据或用更复杂的网络继续迭代；

将模型预测结果作为接口给OpenCV捕获实时视频流的程序调用来识别人脸并进一步实现其他功能。

这篇手记讲解数据预处理部分。

前面我们是用OpenCV自带的人脸检测器提取的人脸，由于这个人脸检测器准确度有限，得到的人脸图片会有一些错误，我自己在检查的时候发现图片中有眼睛，门，手之类等等一些奇怪的图片也被保存了下来，如果这些图片不删掉就会导致训练出的模型有误差，所以在下一步处理数据之前就要手工检查数据，当然，这里的数据量不大(我一共收集了我和我女朋友的照片各一千张左右)，所以手工检查数据的工作量也不大。

接着我们要用OpenCV统一图片尺寸大小以便输入到卷积神经网络中，我们在工作目录下建立一个load_face_dataset.py文件，定义一个resize_image函数来调整图片尺寸：

import os

import numpy as np

import cv2

IMAGE_SIZE = 64 # 指定图像大小

# 按指定图像大小调整尺寸

def resize_image(image, height = IMAGE_SIZE, width = IMAGE_SIZE):

top, bottom, left, right = (0,0,0,0)

# 获取图片尺寸

h, w, _ = image.shape

# 对于长宽不等的图片，找到最长的一边

longest_edge = max(h,w)

# 计算短边需要增加多少像素宽度才能与长边等长(相当于padding，长边的padding为0，短边才会有padding)

if h < longest_edge:

dh = longest_edge - h

top = dh // 2

bottom = dh - top

elif w < longest_edge:

dw = longest_edge - w

left = dw // 2

right = dw - left

else:

pass # pass是空语句，是为了保持程序结构的完整性。pass不做任何事情，一般用做占位语句。

# RGB颜色

BLACK = [0,0,0]

# 给图片增加padding，使图片长、宽相等

# top, bottom, left, right分别是各个边界的宽度，cv2.BORDER_CONSTANT是一种border type，表示用相同的颜色填充

constant = cv2.copyMakeBorder(image, top, bottom, left, right, cv2.BORDER_CONSTANT, value = BLACK)

# 调整图像大小并返回图像，目的是减