人脸识别opencv+python

最新推荐文章于 2023-12-16 15:47:48 发布

是草莓味的啊

最新推荐文章于 2023-12-16 15:47:48 发布

阅读量795

点赞数

分类专栏： Python 文章标签： opencv python 人工智能人脸识别

本文链接：https://blog.csdn.net/weixin_43908649/article/details/119991313

版权

Python 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

人脸识别

一、什么是人脸识别

人脸识别（face recognizaton）分为四个部分
人脸检测（face detection)：在一张图片中找到人脸所处的位置
人脸对齐（face alignment）：在已检测到人脸后，自动找到人脸的眼睛鼻子嘴和脸轮廓等标志性特征位置
人脸校验（face verification）：判断两张脸是不是同一个人
人脸识别（face identification）：给定一张脸，判断这张脸是谁

二、openCV

全称：Open Source Computer Vision Library,一个跨平台的计算机视觉库，可以用于开发实时的图像处理、计算机视觉以及模式识别程序

1.安装openCV

1.pycharm–terminal
2.执行pip install opencv-python命令

2.使用openCV

①.加载图片

# 导入cv2模块
import cv2 as cv
# 读取图片
img=cv.imread('xiaozhan.png')  # 图片路径不能有中文
# 显示图片（一闪而过）
cv.imshow('read_img',img)      # 第一个参数是图像的帧名称，第二个参数是要显示的图片
# 等待键盘输入才消失
cv.waitKey(0)                  # 为了保证图片一直显示在窗口上，单位是ms，0ms,无限等待，如果传入1000，就是等待1s
# 释放内存空间
cv.destroyAllWindows()         # 由于openCV的底层是C++编写的

②.图片灰度转换

openCV有数百种在不同色彩空间之间的转换方法。
计算机视觉中三种常用的色彩空间：灰度、BGR和HSV

1.灰度色彩空间是通过去除彩色信息来将其转换成灰阶，灰度色彩空间对中间处理特别有效，比如人脸识别。
2.BGR即蓝绿红色彩空间，每个像素点都由一个三原数组来表示，取值0-255。区别RGB色彩空间顺序不同。
3.HSV，H(Hue)是色调，S(Saturation)是饱和度，V(Value)表示黑暗程度(或光谱另一端的明亮程度)。

灰度转换的作用：转换成灰度图片的计算强度得以降低（原来是三色通道直接转换成灰度图片）

# 导入cv2模块
import cv2 as cv
# 读取图片
img=cv.imread('xiaozhan.png')                  # 图片路径不能有中文
# 彩色图片灰度转换                              # cv2读取图片的通道是BGR(蓝绿红),PIL读取图片的通道是RGB
gray_img=cv.cvtColor(img,cv.COLOR_BGR2GRAY)    # COLOR_BGR（彩图）2（TO）GRAY（灰图）
# 显示灰度图片
cv.imshow('gray_img',gray_img)
# 保存灰度图片
cv.imwrite('gray_img.png',gray_img)            # 会被保存在当前路径下
# 等待键盘输入
cv.waitKey(0)                                  # 0ms,无限等待，如果传入1000，就是等待1s
# 释放内存
cv.destroyAllWindows()                         # 由于openCV的底层是C++编写的

③.修改图片的尺寸

# 修改图片的尺寸
import cv2 as cv
img=cv.imread('xiaozhan.png')
# 打印修改前图片的形状（尺寸）
print(img.shape)
# 修改图片的尺寸
resize_img=cv.resize(img,dsize=(250,360))    # dsize=(宽度,高度)
# 打印修改后图片的形状（尺寸）
print(resize_img.shape)
cv.imshow('resize_img',resize_img)
# 等待键盘输入字母q后释放内存
while True:
    if ord('q')==cv.waitKey(0):              # cv.waitKey(0)就是输入键的ASCII码值
        break
cv.destroyAllWindows()

④.画图

确定脸部位置

# 画图
import cv2 as cv
img=cv.imread('xiaozhan.png')
# 画矩形
x,y,w,h=128,135,15,40                                          # w是宽度，h是高度
cv.rectangle(img,(x,y,y+w,y+h),color=(0,255,0),thickness=2)    # x,y,y+w,y+h，分别是矩形的左上角点坐标和右下角点坐标，#color=BGR通道;thickness是宽度
# 画圆形
x2,y2,w2,h2=135,120,130,220
cv.circle(img,center=(x2+w2//2,y2+h2//2),radius=w2//2,color=(0,0,255),thickness=2)   # center为原点坐标，radius为半径
cv.imshow('result image',img)
cv.waitKey(0)
cv.destroyAllWindows()

⑤.人脸检测

Haar级联

概念：从图像数据中提取特征。在产生图像稳定分类和跟踪结果中，提取图像的细节。
---------------------------------------------------------------------------------------------------------------------------------------------
任意像素都可影响多个特征，但特征比像素少的多，两个图像相似度可通过它们对应特征的欧氏距离来度量。
---------------------------------------------------------------------------------------------------------------------------------------------
Haar特征是一种用于实现实时人脸跟踪的特征，每一个Haar特征都描述了相邻图像区域的对比模式。例如，边、顶点和细线都能生成具有判别性的特征。

获取Haar级联数据

下载安装配置opencv

bulid目录是openCV使用时要用到的一些库文件
sources目录是openCV官方提供的一些demo示例源码
sources\data\haarcascades目录存放的是所有openCV人脸检测的xml文件，可以用检测静止图像、视频个摄像头所得到的图像中的人脸。

静态图形中单人的人脸检测

import cv2 as cv
import numpy as np                      # Python的开源的数值计算扩展,可用来存储和处理大型矩阵
from matplotlib import pyplot as plt    # matplotlib是Python的绘图库
                                        # pyplot是matplotlib的子库，是常用的绘图模块,能很方便让用户绘制 2D 图表
# 人脸检测函数
def face_detect_demo():                          # detect是侦察的意思
    # 灰度转换
    gray=cv.cvtColor(src,cv.COLOR_BGR2GRAY)      # 以降低色彩通道
    # 加载检测人脸的xml文件
    face_detector = cv.CascadeClassifier('E:\\python\\opencv\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_default.xml')
    # 使用xml文件对获得的灰度图片进行人脸检测
    faces=face_detector.detectMultiScale(gray)    # 第一个参数是要检测的对象，获得的结果是人脸的区域faces
    # 在人脸区域绘制一个矩形
    for x,y,w,h in faces:
        cv.rectangle(src,(x,y),(x+w,y+h),color=(0,255,0),thickness=2)
    cv.imshow('result',src)
# 加载图片
src=cv.imread('xiaozhan.png')
# 调用人脸检测函数
face_detect_demo()
cv.waitKey(0)
cv.destroyAllWindows()

静态图形中多人的人脸检测

import cv2 as cv

def face_detect_demo():
    # 图片灰度转换
    gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
    # 加载特征数据
    face_detector = cv.CascadeClassifier('E:\\python\\opencv\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_default.xml')
    # 进行人脸检测并调整精准度
    faces=face_detector.detectMultiScale(gray,scaleFactor=1.03,minNeighbors=3,maxSize=(125,125),minSize=(100,100))   # 使用参数来调整选中的部分，scaleFactor是缩放比例，minNeighbors是最少检测几次,maxSize是选出的最大尺寸,minSize是选出的最小尺寸
    #将人脸用矩形框出
    for x,y,w,h in faces:
        print(x,y,w,h)
        cv.rectangle(img,(x,y),(x+w,y+h),color=(0,0,255),thickness=2)
        cv.circle(img,center=(x+w//2,y+h//2),radius=(w//2),color=(255,0,0),thickness=2)
    # 显示图片
    cv.imshow('result',img)

# 加载图片
img=cv.imread('xiaozhan_wangyibo.jpg')
# 调用人脸检测方法
face_detect_demo()
cv.waitKey(0)
cv.destroyAllWindows()

视频中的人脸检测

视频的每一帧都是一张一张的图片组成的，在视频的帧上重复静态图片检测的过程就可以完成视频的人脸检测

import cv2 as cv
import numpy as np                      # Python的开源的数值计算扩展,可用来存储和处理大型矩阵
from matplotlib import pyplot as plt    # matplotlib是Python的绘图库
                                        # pyplot是matplotlib的子库，是常用的绘图模块,能很方便让用户绘制 2D 图表

def face_detect_demo(img):
    # 图片灰度转换
    gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
    # 加载特征数据
    face_detector = cv.CascadeClassifier('E:\\python\\opencv\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_default.xml')
    # 进行人脸检测并调整精准度
    faces=face_detector.detectMultiScale(gray)   # 使用参数来调整选中的部分，scaleFactor是缩放比例，minNeighbors是最少检测几次,maxSize是选出的最大尺寸,minSize是选出的最小尺寸
    #将人脸用矩形框出
    for x,y,w,h in faces:
        print(x,y,w,h)
        cv.rectangle(img,(x,y),(x+w,y+h),color=(0,0,255),thickness=2)
    # 显示图片
    cv.imshow('result', img)

# 加载视频
video=cv.VideoCapture('me.mp4')       # video=cv.VideoCapture()为调用自己的摄像头
# 一直循环，知道没有检测到图片或按q退出
while True:
    # 读取视频中每一帧图片
    flag,frame=video.read()    # 参数flag为True或False,代表有没有读取到图片  第二个参数frame表示截取到一帧的图片
    # 未检测到图片跳出循环
    if not flag:
        break
    # 调用人脸检测方法
    face_detect_demo(frame)
    # 按q退出
    if ord('q')==cv.waitKey(0):
        break
# 释放cv内存空间
cv.destroyAllWindows()
# 释放视频内存空间
video.release()

⑥.人脸识别

概念：一个程序能识别给定图像或视频中的人脸
过程：用一系列分好类的图像来训练程序（录入面部或指纹），并基于这些图像老进行识别
重要特征：每个识别都具有转置信评分，因此可在实际应用中通过对其设置阈值来进行筛选。
人脸获得的方式：1.自己获得图像。2.从人脸数据库免费获取可用的人脸图像
训练数据：将数据加载到人脸识别算法中

pip install opencv-contrib-python 安装opencv-contrib-python模块

图像数组就是那个图像，标签数组就是对应图像的ID，根据ID你就知道他是谁

数据训练

import cv2 as cv
import os
import numpy as np
import sys
from PIL import Image     # pip install pillow 安装PIL模块

def getImagesAndLabels(path):
    # os.path.join(path,f)   将多个路径组合后返回
    # os.listdir(path) 该路径下所有文件和文件夹
    # 将图片路径拼接成一个列表
    imagePaths=[os.path.join(path,f) for f in os.listdir(path)]    # ['./data/jm3/1.png', './data/jm3/10.png', './data/jm3/2.png', './data/jm3/3.jpg', './data/jm3/4.jpg', './data/jm3/5.jpg', './data/jm3/6.png', './data/jm3/7.png', './data/jm3/8.png', './data/jm3/9.png']
    # 图像数组(人脸)的列表
    faceSamples=[]
    # 标签数组(ID)的列表
    ids=[]
    for imagePath in imagePaths:
        # 以L模式打开图片
        # PIL有九种不同模式: 1，L，P，RGB，RGBA，CMYK，YCbCr，I，F
        # L为灰度图像，1为二值图像（非黑即白）
        PIL_img=Image.open(imagePath).convert('L')
        # 将整张灰度图像转换为8位无符号整型的数组矩阵
        img_numpy=np.array(PIL_img,'uint8')
        # 获取每个图片的id，int是将字符串类型转换为int类型
        id=int(os.path.split(imagePath)[1].split(".")[0])      # os.path.split(imagePath)获取的是下面的字典('./data/jm3', '10.png')，前半部分是路径，后半部分是图片名称,后面加一个[1]是获取第二个元素10.png，然后再以.分隔开，取第一个元素10,就是id
        # 加载特征数据
		detector = cv.CascadeClassifier('E:\\python\\opencv\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_default.xml')
        # 获取人脸的部分
        faces=detector.detectMultiScale(img_numpy)
        for (x,y,w,h) in faces:
            # 将整张图片的人脸部分提取出来并放到人脸的列表中
            faceSamples.append(img_numpy[y:y+h,x:x+w])
            # 把id也放进去
            ids.append(id)
        # 返回图片和ID数组
        return faceSamples,ids


if __name__=='__main__':
    # 指定路径
    path='./data/jm3/'
    # 遍历路径，获取到图像数组和标签数组（ID）
    faces,ids=getImagesAndLabels(path)
    # 创建一个LBPH人脸识别模型（获取训练对象）
    recognizer = cv.face.LBPHFaceRecognizer_create()
    # 调用train方法来训练数据，将ids从列表转换为数组
    recognizer.train(faces,np.array(ids))
    #把训练数据保存到文件夹中
    recognizer.write('trainer/trainer.yml')   # yml后缀的文件是用来表达资料序列的编程语言

基于LBPH的人脸识别

LBPH(Local Binary Pattern Histogram)
将检测到的人脸分为小单元，并将其余模型中的对应单元进行比较，对每个区域的匹配值产生一个直方图。
LBPH是唯一允许模型样本人脸和检测到的人脸形状、大小上可以不同的人脸识别算法。很灵活

import cv2 as cv
import numpy as np
import os

# 创建训练对象
recognizer=cv.face.LBPHFaceRecognizer_create()
# 加载训练数据集文件
recognizer.read('trainer/trainer.yml')

src=cv.imread('./data/jm3/10.png')
# 对图片进行灰度转换，以降低色彩通道
gray=cv.cvtColor(src,cv.COLOR_BGR2GRAY)
# 加载opencv中检测人脸的xml文件
face_detector = cv.CascadeClassifier('E:\\python\\opencv\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_default.xml')
# 使用xml文件对获得的灰度图片进行人脸检测
faces=face_detector.detectMultiScale(gray)   # 第一个参数是要检测的对象，获得的结果是人脸的区域
# 对检测出的人脸区域绘制一个矩形，要使用src这个全局变量
for x,y,w,h in faces:
    cv.rectangle(src,(x,y),(x+w,y+h),color=(0,255,0),thickness=2)
    # 人脸识别
    id,confidence=recognizer.predict(gray[y:y+h,x:x+w])
    print('标签id',id,'置信评分',confidence)
cv.imshow('result',src)
cv.waitKey(0)
cv.destroyAllWindows()

是草莓味的啊

关注

0
点赞
踩
23

收藏

觉得还不错? 一键收藏
1
评论
人脸识别opencv+python

人脸识别一、什么是人脸识别二、openCV1.安装openCV2.使用openCV①.加载图片②.图片灰度转换③.修改图片的尺寸④.画图⑤.人脸检测Haar级联获取Haar级联数据静态图形中单人的人脸检测静态图形中多人的人脸检测视频中的人脸检测一、什么是人脸识别人脸识别（face recognizaton）分为四个部分人脸检测（face detection)：在一张图片中找到人脸所处的位置人脸对齐（face alignment）：在已检测到人脸后，自动找到人脸的眼睛鼻子嘴和脸轮廓等标志性特征位置
复制链接

扫一扫