基于opencv的人脸检测与识别(python)（1）

基于opencv的人脸检测与识别(python语言)（1）

人脸检测和识别技术就目前而言，已经相对成熟，各类算法层出不穷，这都归功于各位奋斗在一线的大佬的努力（站在巨人的肩膀上的感觉就是爽）。本文是参考博客 https://www.cnblogs.com/neo-T/p/6477378.html 针对自己实际应用改写程序实现人脸检测与识别，并给出在实际操作过程中的一些问题说明，所以在一些程序注释上略显精简，读者可以参考这篇博客（注释详尽）对比学习。

另外为了让读者能够更快的上手程序，本文末尾也将整个项目百度云分享给大家(我这样的好人不多了！！)，同时为了让初涉人脸识别的同学能够对这个方向有着一个整体了解，文末也提供了一篇文章综述的百度云(有英文注释哦！英语差的有福了！！)。

前期准备

环境

原文是在ubuntu环境下，本文则是在windows10环境下(主要差别在路径设置上)，选择anaconda+python3.6+tensorflow1.9编写，读者可以根据自己平时喜好选择具体的IDE，jupyter Notebook，PyCharm也不错(虽然我更喜欢spyder)。至于tensorflow安装相关教程不是本文重点就不详说了(想要详说的网上搜哈有很多教程，唉，太多了！还有各种问题！算了看文末百度云链接吧)

原文用的是keras这个深度学习库，keras是纯python语言编写，继承了tensorflow和theano这样的深度学习框架。想学习的可以打开这个链接 https://keras-cn.readthedocs.io/en/latest/ （捡重要的看就行）。
具体安装跟一般python库安装一样的。

opencv作为最受欢迎的开源计算机视觉库，提供Python、Ruby、Matlab等语言的接口，实现图像处理和计算机视觉方面的很多通用算法，是初学者入门的一个重要且高效的工具。安装跟前keras安装流程相同具体见博客。opencvGithub链接：https://github.com/opencv/opencv 本文选择的级联分类器是haarcascade_frontalface_alt2.xml，大家可以在Github中下载下来在路径.\opencv-master\data\haarcascades中选择合适自己的分类器。

数据库

ORL人脸数据库是由英国剑桥大写AT&T实验室创建，包含40人工400张面部图像，每人有10幅经过归一化图像，图像尺寸为92*112，图像格式为pgm格式，是opencv例程中使用的数据集。下载链接：https://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html 也可以从文末百度云下载。数据集下载如下(文件s41是我添加的自己的图像数据，百度云的我删了的哈，大家根据自己需要添加数据)：

项目详解

项目列表

• face_rec_project
  • pycache
  • data
    • s1
      • 1.pgm
      • 2.pgm
      • …
      • 10.pgm
    • s2
    • …
    • s41
    • data.txt
  • haarcascades
  • model
  • testdata
    • 1
  • catch_pic.py
  • face_predict_test.py
  • load_dataset.py
  • train_with_keras.py

文件夹data存放数据集；haarcascades文件夹存放级联分类器；model文件夹存放训练好的模型；.\testdata\1文件夹存放摄像头获得的人脸作为加入的训练样本。

获取人脸

本文在ORL人脸数据集的基础上，通过摄像头直接获取人脸添加进ORL数据集中扩充该数据集。下面是具体程序介绍：

def catch_pict(classfier, path_name, catch_pic_num):
    """Recognizing and storing 1000 face pictures form camera"""
    
    cv.namedWindow("face detect", cv.WINDOW_AUTOSIZE)
    color = (0, 255, 0)  # box color 
    
    cam = cv.VideoCapture(0)
    
    num = 0
    while cam.isOpened():
        ret, img = cam.read()  
        if not ret:
            break
        
        img = cv.flip(img, 1) # reverse picture
        gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
        gray = cv.equalizeHist(gray)
        
        faceRects = classfier.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=4, 
                                               minSize=(30