基于OpenCV+HOG+SVM的真假人脸二分类实战（附完整代码）-CSDN博客

本文链接：https://blog.csdn.net/weixin_73592944/article/details/148103779

一、项目背景与目标

本文通过OpenCV传统图像处理技术，结合HOG特征提取与SVM分类器，实现了一个轻量级真假人脸二分类系统，最终达到58.91%的准确率 ，适用于嵌入式设备或低算力场景。

二、方法原理与流程

1. 核心技术栈

OpenCV ：人脸检测与图像预处理
HOG特征 ：提取纹理方向信息
SVM分类器 ：线性分类决策

2. 整体流程图解

原始图像 → 人脸检测 → 图像归一化 → HOG特征提取 → SVM分类 → 输出结果

三、关键技术详解

1. 人脸检测（OpenCV Haar级联）

作用：

定位图像中人脸区域，排除背景干扰

关键代码：

def detect_face(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
    faces = face_cascade.detectMultiScale(gray, 1.1, 5)
    return img[y:y+h, x:x+w] if len(faces) > 0 else None

参数说明：

minNeighbors=5：控制检测框保留阈值
scaleFactor=1.1：图像缩放比例

2. HOG特征提取

作用：

捕捉人脸局部纹理方向特征，对光照变化具有鲁棒性

关键代码：

from skimage.feature import hog

def extract_hog_features(face_img):
    face_resized = cv2.resize(face_img, (128,128))
    gray = cv2.cvtColor(face_resized, cv2.COLOR_BGR2GRAY)
    return hog(gray, pixels_per_cell=(8,8), cells_per_block=(2,2))

特征维度：

图像尺寸：128×128
Cell大小：8×8 → 16×16 cells
Block大小：2×2 cells
每个block的特征维度：(8×8/8×8)×9=1024维

3. SVM分类器

作用：

构建线性分类边界，区分真伪人脸特征

关键代码：

from sklearn.svm import SVC

clf = SVC(kernel='linear')
clf.fit(X_train_hog, y_train_hog)
preds = clf.predict(X_test_hog)
print(f'准确率：{accuracy_score(y_test_hog, preds):.2%}')

参数优化：

C=1.0：正则化参数（默认值）
class_weight='balanced'：可选，处理类别不平衡

四、完整代码实现

# 必要库导入
import cv2
import numpy as np
import os
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
from skimage.feature import hog

# 修改这里：使用 tensorflow.keras 而非原生 keras
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras import layers, models, optimizers

# 数据加载函数
def load_images(path):
    images = []
    for file in os.listdir(path):
        if file.endswith('.jpg'):
            img = cv2.imread(os.path.join(path, file))
            if img is not None:
                images.append(img)
    return images

# 数据路径
real_path = r'd:\Users\Administrator\Desktop\real_and_fake_face\training_fake'   # 真人脸
fake_path = r'd:\Users\Administrator\Desktop\real_and_fake_face\training_real'  # 假人脸

# 数据加载
real_images = load_images(real_path)
fake_images = load_images(fake_path)

# 数据合并与标签分配
X = real_images + fake_images
y = [1]*len(real_images) + [0]*len(fake_images)

# 数据划分
X_train_raw, X_test_raw, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)


# 方法一：OpenCV人脸检测 + HOG特征 + SVM分类
def detect_face(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
    faces = face_cascade.detectMultiScale(gray, 1.1, 5)
    if len(faces) == 0:
        return None
    x, y, w, h = faces[0]
    return img[y:y+h, x:x+w]

# 特征提取
def extract_hog_features(face_img):
    face_resized = cv2.resize(face_img, (128, 128))
    gray = cv2.cvtColor(face_resized, cv2.COLOR_BGR2GRAY)
    features, hog_image = hog(gray, pixels_per_cell=(8, 8), cells_per_block=(2, 2), visualize=True)
    return features, hog_image  # 返回特征和可视化图像

# 数据处理
X_train_hog, y_train_hog = [], []
for img, label in zip(X_train_raw, y_train):
    face = detect_face(img)
    if face is not None:
        features, _ = extract_hog_features(face)
        X_train_hog.append(features)
        y_train_hog.append(label)

X_test_hog, y_test_hog = [], []
for img, label in zip(X_test_raw, y_test):
    face = detect_face(img)
    if face is not None:
        features, _ = extract_hog_features(face)
        X_test_hog.append(features)
        y_test_hog.append(label)

# SVM分类器训练
clf = SVC(kernel='linear')
clf.fit(X_train_hog, y_train_hog)
preds = clf.predict(X_test_hog)
acc1 = accuracy_score(y_test_hog, preds)
print(f'方法一准确率：{acc1:.2%}')

# 方法一可视化
test_face = detect_face(X_test_raw[0])
if test_face is not None:
    _, hog_image = extract_hog_features(test_face)
    plt.figure(figsize=(10, 5))
    plt.subplot(121)
    plt.imshow(cv2.cvtColor(test_face, cv2.COLOR_BGR2RGB))
    plt.title('Detected Face')
    plt.subplot(122)
    plt.imshow(hog_image, cmap='gray')
    plt.title('HOG Features')
    plt.show()