Python 使用Opencv实现人脸识别

Bertha 。 2022-05-23 12:14 320阅读 0赞

\----------欢迎加入学习交流QQ群：657341423

--------------------

要实现人面识别，首先安装opencv的opencv\_contrib组件。首先在https://www.lfd.uci.edu/~gohlke/pythonlibs/\#opencv下载相关组件。  
![这里写图片描述][70]  
在CMD窗口下先卸载原有的opencv，然后安装opencv\_contrib的安装包。

pip uninstall opencv_python-3.4.1-cp35-cp35m-win_amd64.whl
    pip install opencv_python-3.4.1+contrib-cp35-cp35m-win_amd64.whl

完成上述安装后，接着实现人面识别，首先装备人面资料，如图所示：  
![这里写图片描述][70 1]  
文件夹alin和xyjw是分别存放人物头像图片，分别代表人物alin和xyjw，图片格式为pgm格式。  
由于一开始是没有人物头像图片，于是，我们先用人面检测获取人物头像图片，代码如下：

import cv2
    def get_face_data():
        # 加载Haar级联数据文件，用于检测人面
        face_cascade = cv2.CascadeClassifier('cascades/haarcascade_frontalface_default.xml')
        eye_cascade = cv2.CascadeClassifier('./cascades/haarcascade_eye.xml')
        camera = cv2.VideoCapture(0)
        count = 1
        while True:
            ret, frame = camera.read()
            gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
            # 人面识别。detectMultiScale参数说明：
            # gray: 进行检测的图像, 这里是转换后的。
            # scaleFactor: 官网文档说是每次图片缩小的比例, 其实可以这么理解, 距离相机不同的距离, 物体大小是不一样的, 在物体大小不一致的情况下识别一个东西是不方便的, 这就需要进行多次的缩放, 这就是这个参数的作用。
            # minNeighbors: 可以理解为每次检测时, 对检测点(Scale)周边多少有效点同时检测, 因为可能选取的检测点大小不足而导致遗漏。
            # minSize: 检测点的最小值, 或者说就是检测点的最终值。
            faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5, minSize=(5,5))
            # 画出面部位置
            for (x, y, w, h) in faces:
                img = cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)
                # 根据检查的位置截取图片并调整截取后的图片大小
                f = cv2.resize(gray[y:y+h, x:x+w], (200, 200))
                # 保存图片
                cv2.imwrite('auto/alin/%s.pgm' %(str(count)),f)
                count += 1
            cv2.imshow('pic', frame)
            # 停止程序
            if cv2.waitKey(120) & 0xff == ord('q'):
                break
        camera.release()
        cv2.destroyAllWindows()
    
    if __name__=='__main__':
        get_face_data()

人面图片的数据获取后，我们利用这些数据实现人面识别，其功能代码如下：

import sys,os,cv2
    import numpy as np
    # 加载面部资料
    def read_images(path, sz=None):
        """Reads the images in a given folder, resizes images on the fly if size is given.
        Args:
            path: 人面数据所在的文件路径
            sz: 图片尺寸设置
        Returns:
            A list [X,y]
                X: 图片信息
                y: 图片的读取顺序
        """
        c = 0
        X,y = [], []
        for dirname, dirnames, filenames in os.walk(path):
            for subdirname in dirnames:
                subject_path = os.path.join(dirname, subdirname)
                for filename in os.listdir(subject_path):
                    filepath = os.path.join(subject_path, filename)
                    im = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)
                    if (sz is not None):
                        im = cv2.resize(im, sz)
                    X.append(np.asarray(im, dtype=np.uint8))
                    y.append(c)
                c = c+1
        return [X,y]
    
    # 面部识别
    def face_rec():
        names = ['Alin', 'XyJw', 'Jack']
        [X, y] = read_images('E:\\auto\\')
        # 创建识别模型，使用EigenFace算法识别，Confidence评分低于4000是可靠
        # model = cv2.face.EigenFaceRecognizer_create()
        # 创建识别模型，使用LBPHFace算法识别，Confidence评分低于50是可靠
        # model = cv2.face.LBPHFaceRecognizer_create()
        # 创建识别模型，使用FisherFace算法识别，Confidence评分低于4000是可靠
        model = cv2.face.FisherFaceRecognizer_create()
        # 训练模型
        # train函数参数：images, labels，两参数必须为np.array格式，而且labels的值必须为整型
        model.train(np.array(X), np.array(y))
        # 开启摄像头
        camera = cv2.VideoCapture(0)
        # 加载Haar级联数据文件，用于检测人面
        face_cascade = cv2.CascadeClassifier('cascades/haarcascade_frontalface_default.xml')
        while (True):
            # 检测摄像头的人面
            read, img = camera.read()
            faces = face_cascade.detectMultiScale(img, 1.3, 5)
            # 将检测的人面进行识别处理
            for (x, y, w, h) in faces:
                # 画出人面所在位置并灰度处理
                img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
                gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
                roi = gray[x:x + w, y:y + h]
    
                # 将检测的人面缩放200*200大小，用于识别
                # cv2.INTER_LINEAR是图片变换方式，其余变换方式如下：
                # INTER_NN - 最近邻插值。
                # INTER_LINEAR - 双线性插值(缺省使用)
                # INTER_AREA - 使用象素关系重采样。当图像缩小时候，该方法可以避免波纹出现。
                # INTER_CUBIC - 立方插值。
                roi = cv2.resize(roi, (200, 200), interpolation=cv2.INTER_LINEAR)
    
                # 检测的人面与模型进行匹配识别
                params = model.predict(roi)
                print("Label: %s, Confidence: %.2f" % (params[0], params[1]))
                # 将识别结果显示在摄像头上
                # cv2.FONT_HERSHEY_SIMPLEX 定义字体
                # cv2.putText参数含义：图像，文字内容， 坐标 ，字体，大小，颜色，字体厚度
                # 如果要输出中文字，可参考https://blog.csdn.net/m0_37606112/article/details/78511381
                cv2.putText(img, names[params[0]], (x, y - 20), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2)
    
            cv2.imshow("camera", img)
            if cv2.waitKey(120) & 0xff == ord("q"):
                break
        cv2.destroyAllWindows()
    
    
    if __name__ == "__main__":
        face_rec()

函数read\_images是分别读取文件夹alin和xyjw的图片数据和文件夹读取顺序。文件夹读取顺序是先读取alin的图片数据，然后在读取xyjw的图片数据，最后将两者的图片数据写入列表，因此这里存在一个先后顺序问题。

函数face\_rec是调用函数read\_images，因此函数read\_images的返回值与变量names的值要一一对应，比如函数read\_images的返回值第一个人面数据是alin，变量names的第一个值为alin。否则对应不上就会将名字写错。

人面识别也是通过摄像头来获取人物头像，然后根据算法与文件夹alin和xyjw的头像进行匹配对比。匹配成功会返回Label和Confidence，其中Label代表资料加载顺序，即函数read\_images读取文件夹alin和xyjw的读取顺序。Confidence是识别评分，每种算法有一定的范围值，符合范围值才算匹配成功。

--------------------

参考资料：OpenCV 3计算机视觉 Python语言实现第二版

[70]: /images/20220523/e2d2b0be15fe4109abdb9df03ff1bfbb.png
[70 1]: /images/20220523/2d26ae4bf955400a9022bcee8d485b05.png