简单创建一个认识自己的代码3：应用识别

 

2019年10月17号

作者：杨轮飞

将会使用到python中的opencv、dlib、sklearn库。

• 前面遗漏了一些步骤，和一些问题，我们先进行修正

X = np.array(X)
np.save("face255.npy", X)
Y = np.array(Y)
#PCA降维处理
X = pca(X, 150)

np.save("face255.npy", X)

我们先保存出未降维数据，用于之后在视频中要预测的单个数据进行降维

face_model = OneVsRestClassifier(SVC(kernel='rbf', C=1e3, gamma='scale', probability=True))

第二步就是在定义SVM模型时添加参数probability=True，这样可以输出识别概率。

• 前面两个问题修改后我们就开始最后的实验工作了，先导入库

import warnings
warnings.filterwarnings("ignore")
import cv2
import dlib
import numpy
import numpy as np
from sklearn.externals import joblib #加载我们保存好的模型
from sklearn.decomposition import PCA #PCA降维
from sklearn.preprocessing import scale #去中心化

• 然后先放好两个要使用到的函数，一个pca，一个归一化

#归一化处理
def MaxMinNormalization(x):
    xmin, xmax = np.min(x), np.max(x)
    x = (x - xmin) / (np.max(x) - xmin)
    return x

#使用库PCA
def pca(data, n):
    pca = PCA(n_components=n)
    pca.fit(data)
    return pca.transform(data)

• 在定义全局变量，提前定义好一些变量：dlib人脸检测函数，读取模型，定义好一个人名对应的字典，导入数据集，定义一个字体

predictor_path = "F:\qq\shape_predictor_68_face_landmarks.dat"
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(predictor_path)
clf = joblib.load("face_train_model.m")
people_name = {'cjy':'程嘉怡', 'szq':'单志祺', 'hrx':'黄日兴', 'lwj':'赖文进',
               'txj':'唐小俊', 'xwm':'许微', 'wzy':'王曾宇', 'ylf':'杨轮飞'}
formerdata = np.load("face255.npy")
font = cv2.FONT_HERSHEY_SIMPLEX

• dlib检测人脸，并且将人脸区域进行归一化和去中心化处理，再覆盖到原数据集的第一个数据，进行pca降维后再单独提出来，使用模型进行预测，并且输出预测概率

def dlib_find_face(img, temp_gray, dets):
    for k, d in enumerate(dets):
        minx, miny, maxx, maxy = 640, 640, 0, 0
        shape = predictor(img, d)
        #(x, y, w, h) = face_utils.rect_to_bb(rect)
        landmark = numpy.matrix([[p.x, p.y] for p in shape.parts()])
        for idx, point in enumerate(landmark):
            x, y = (point[0, 0], point[0, 1])
            cv2.putText(img, "*", (x, y), font,0.3,(0, 255, 0))
            if x > maxx: maxx = x;
            if x < minx: minx = x;
            if y > maxy: maxy = y;
            if y < miny: miny = y;
        cv2.rectangle(img, (minx-10, miny-10), (maxx+10, maxy+10), (0, 255, 0), 2)
        face = temp_gray[miny:maxy, minx:maxx]
        face = MaxMinNormalization(cv2.resize(face, (64, 64)))
        formerdata[0] = scale(np.array(face, np.float32).flatten().astype('float32'))
        facedata = pca(formerdata, 150)[:1]
        result = clf.predict(facedata)
        proba = np.max(clf.predict_proba(facedata)[0])
        cv2.putText(img, str(result)+str(proba*100)[:4]+"%", (minx-10, miny-20), font, 1.2, (255, 0, 0), 2)
    return img

• 然后开始进行实验了， 打开摄像头，二值化，dlib检测，然后调用自己的dlib_find_face函数进行处理

if __name__=="__main__":

    cap = cv2.VideoCapture(0)
    while True:
        sucess, img = cap.read()
        temp = img.copy()
        temp_gray = cv2.cvtColor(temp, cv2.COLOR_RGB2GRAY)
        dets = detector(temp_gray, 1)
        k = cv2.waitKey(30)
        if k == 27:
            break
        if len(dets) >= 1:
            temp = dlib_find_face(temp, temp_gray,dets)
            if k == 32: cv2.waitKey();
        cv2.imshow("result", temp)

• 最后来看一下我们的实验结果

可以看到，虽然识别的置信度不高，但总算能识别出来，而且可以同时识别多个人脸哦，总的来说，这些代码是入门级的，不是很难~