Python实现基于openCV+百度智能云平台实现《1:N人脸考勤机》文章最后附带源码！

目录

一、 项目介绍

1.1 项目名称

1.2 项目简介

1.3 项目物料

1.4 技术栈

二、 项目架构

三、项目细节

3.1 环境搭建

3.2 利用opencv实现摄像头调取及相关图像的采集

3.3 利用aips上传图像和结果返回

3.4 结果优化和处理

3.5 可扩展性

3.6 遗留问题和解释

四、声明

一、项目介绍

1.1 项目名称

《1:N人脸考勤机》

1.2 项目简介

基于windows平台下，使用PyCharmIDE完成开发工作，将提前准备好的照片上传百度云，借助百度aipSDK-Python实现和百度智能云的对接，实现摄像头采集人脸图片后上传百度云，在百度云中利用百度现有的人脸识别算法完成人脸的对比，之后借助SDK返回对比结果，将结果显示在客户端上。

1.3 项目物料

1. 1. 平台：windows
   2. 开发平台：PyCharm + Anaconda3（选装）
   3. 开发包：openCV2.4.9（Python）、aips（百度智能云人脸检测的SDK）
   4. 编程语言：Python
   5. 其他：识别对象的免冠正面照

1.4 技术栈

• 1. 网络通信基本知识
  2. Python编程语言
  3. 百度智能云SDK（search函数等）
  4. OpenCV基于Python的接口的使用

1.5项目架构

上传百度云识别者照片--->图像采集--->图像处理--->上传百度云--->百度云对比--->返回对比结果--->结果处理--->显示结果。

三、项目细节

3.1 环境搭建

（1）安装PyCharm

1）安装

百度安全验证

1. 创建人脸识别项目及配置

pycharm怎么创建新项目-百度经验

（2）安装百度智能云人脸检测的SDK(Python)

1）接口的下载和安装

人脸识别_人脸检测_人脸对比_人脸搜索_活体检测_百度智能云

（3）创建百度智能云应用

1）选择百度云对应功能和免费权限

A、手机应用市场安装“百度”app，注册一个账号，登陆

B、利用百度app扫码登陆以下网址中的账户：

人脸识别私有化部署包_支持百万级超大型人脸库-百度AI开放平台

 

登陆成功后会返回图一，点击“立即申请”进入以下界面。

1. 创建应用

 

 

注意：如果之前安装SDK失败了，这里可以选择直接下载SDK即可，选择其中的“Python Http SDK”即可。

1. 创建组

这个就是上边创建的应用。我们开始创建组。

 

 

 

点击确认

点击画圈的地方（组名）

这就是创建组内用户的菜单，点击任何一个方框都可以。

1. 上传识别的对比资源

创建组和组用户均完成，到时候百度云会自动找到要求的组，在组中对比符合要求的用户，反馈结果。

1. 获取应用的账号和密码

将其中的内容（AK和SK）复制出来保存好(保存在一个文本文档内即可，文档一定要保留好)

关于opencv如何下载，作者在这里作为伏笔，大家自行尝试，有问题试着解决一下哦。解决不了记得评论哦。

3.2 利用opencv实现摄像头调取及相关图像的处理

其中有详细的注释，请仔细阅读，如果有不明白的地方，评论区留言，作者一一回复。

3.3 利用aips上传图像和结果返回

 

 

 

图片为多张，注意通过行号来看，避免少看代码

3.4 结果优化和处理

在屏幕显示结果：

在上边的92行位置加入如下代码：

注意通过行号来判断对齐缩进的位置，避免代码从属问题。

3.5 效果展示

3.6 遗留问题和解释

如遇闪退，可以优化，可以找找看是什么问题。由于账号隐私问题，隐藏APP_ID\AK\SK三个参数。

源码：

# coding: utf-8
# author: alex_chen

import cv2 as cv
from aip import AipFace  # 创建百度智能云客户端client
from aip.face import base64 # 调取图片格式转换工具
import time

def main():
	cap = cv.VideoCapture()
	cap.open(0)  # 打开摄像头

	# 登陆百度智能云：
	APP_ID = 'xxxxxxxx'
	API_KEY = 'xxxxxxxxxxxxxxxxxxxxxxxxxx'
	SECRET_KEY = 'xxxxxxxxxxxxxxxxxxxxxxxxxxxxx'
	# 创建自已百度云应用的客户端，账号密码确定接入的是百度云的“人脸考勤”应用
	client = AipFace(APP_ID, API_KEY, SECRET_KEY)
	# 创建haar分类器：
	cf = cv.CascadeClassifier(
		r"D:\anaconda3\envs\ml_dl\Lib\site-packages\haarcascades\haarcascade_frontalface_alt2.xml")
	while cap.isOpened():
		flag, frame = cap.read()  # 获取摄像头截取到的图片
		img = frame  # 保留彩色原图frame <class 'numpy.ndarray'>
		gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)  # 灰度处理
		# cv.equalizeHist(gray_img,gray_img) # 直方图均衡化：这个可以不要，处理效果更好
		# 寻找特征（人脸）矩阵：
		allFaceRect = cf.detectMultiScale(gray_img,) #得到的视频中出现的所有的人脸，并且保存在numpy.ndarray中(矩形向量组)
		# print(type(allFaceRect[0])) # 图片中的第一张人脸# <class 'numpy.ndarray'> 没有脸的时候，返回()
		# 矩形跟随人脸样本来绘图：
		if allFaceRect is not ():
			x,y,w,h = allFaceRect[0] # 第一张人脸标识出来
			cv.rectangle(frame, (x, y), (x + w, y + h), (255, 255, 255))
			# for x, y, w, h in allFaceRect: # 标识出所有人脸
			# 	cv.rectangle(gray_img, (x, y), (x + w, y + h), (255, 255, 255))  # 在每张图片中找到人脸并标注正方形
			# 至此，找到了人脸，将人脸存放在一个容器face_img当中：
			face_img = gray_img[y:y+w,x:x+h] # 将第一张人脸保存下来
			check_result,img_encode = cv.imencode(".jpg", face_img)  # 将找到的人脸进行编码存入缓存img_encode中。
			# print(type(img_encode),img_encode) # 查看在内存中的图片的数据类型。
			# 测试缓存中是否保存成功了:
			# res = cv.imdecode(img_encode,1)
			# cv.imshow("demo",res)
			# 人脸搜索
			# 1、将缓存区的图片img_encode转换为base64格式且返回处理后的图片：
			base64img_send_to_aiServer = base64.b64encode(img_encode)

			# 2、调用search()
			# 注意：search()函数的第一个参数是字符串！需要把base64的字节序转换成字符串
			res = client.search(bytes.decode(base64img_send_to_aiServer), "BASE64", "Teacher")
			# print(res,type(res)) # 得到处理的结果 # 返回的是一个字典类型。
			# 带参options：client.search(image, imageType, groupIdList, options) ----不用
			# imageType参数的值：
			# 图片类型 BASE64:图片的base64值，base64编码后的图片数据，编码后的图片大小不超过2M；---选择这个，将图片进行base64编码
			# URL:图片的 URL地址( 可能由于网络等原因导致下载图片时间过长)；
			# FACE_TOKEN: 人脸图片的唯一标识，调用人脸检测接口时，会为每个人脸图片赋予一个唯一的FACE_TOKEN，同一张图片多次检测得到的FACE_TOKEN是同一个

			# groupIdList参数： 人脸分组的序号，通过序号选择对应的组，如果要在多个组之间选择，则用逗号分隔序号

			# res_json:返回的是找到的人脸的相关信息（结果），格式json：
			# {
			# 	"face_token": "fid",
			# 	"user_list": [   返回的所有找到的用户的列表
			# 		{
			# 			"group_id": "test1",
			# 			"user_id": "u333333",
			# 			"user_info": "Test User",
			# 			"score": 99.3  人脸匹配度（低于80即搜索失败）
			# 		}  每个用户都有这四个数据，多个user用逗号分隔
			# 	]
			# }
			'''
			{
				'error_code': 0, 
				'error_msg': 'SUCCESS', 
				'log_id': 2253051395, 
				'timestamp': 1667464653,
				'cached': 0, 
				'result': 
				{
					'face_token': '551d377ffeb0d24fed5b9dc07885203c', 
					'user_list': [
						{
						'group_id': 'Teacher',
						 'user_id': 'ChenBingXu',
						 'user_info': '', 
						 'score': 97.605316162109
						 }
					]
				}
			}
			'''
			if 'result' in res.keys():
				print(res['result'])
				name = res['result']['user_list'][0]['user_id'] #从数据中拿到返回的人脸匹配的姓名name
				current_time = time.strftime("%Y.%m.%d %H:%M:%S",time.localtime(time.time())) # 获取系统时间
				print(name,current_time)
				cv.putText(frame,str(name)+" "+str(current_time),(0,50),cv.FONT_HERSHEY_SIMPLEX, 0.75, (255, 255, 255), 2)

		# 显示灰度图
		cv.imshow("demo", frame)

		key_pressed = cv.waitKey(5)
		# 按ESC退出：
		if key_pressed == 27:
			break
	# 关闭摄像头：
	cap.release()
	# 关闭窗口：
	cv.destroyAllWindows()


if __name__ == '__main__':
	main()  # 调用主函数
# print(cv.__file__) # 打印库位置，将haarcascade训练器样板导入

四、声明

仅供教学和个人学习爱好者作为基础入门材料使用，项目中内容不涉及任何企业及个人保密成分，不可用于商业用途，特此声明！如有盗版等问题必追究其法律责任，严禁抄袭剽窃等行为。