开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> python+OpenCV笔记（三十一）：人脸检测与识别（三）——人脸识别 -> 正文阅读

[人工智能]python+OpenCV笔记（三十一）：人脸检测与识别（三）——人脸识别

一、生成人脸识别数据

二、加载人脸识别的训练数据

三、基于特征脸进行人脸识别

四、基于 Fisherface 进行人脸识别

五、基于 LBPH 进行人脸识别

全部代码

为了进行人脸识别，我们需要待识别的人脸，人脸可以通过两种方式获取

免费的人脸数据库
Face Recognition Homepage - Databases
自己提供图像

（下面，我们用自己提供的图像（摄像头）完成人脸数据的收集）

一、生成人脸识别数据

代码

# 可直接运行
import cv2
import os

# 创建一个特定的文件夹，用于存放人脸数据
output_folder = '../data/at/ReadyGo'
if not os.path.exists(output_folder):
    os.makedirs(output_folder)

# 初始化两个CascadeClassifier对象，分别用于人脸和眼睛
face_cascade = cv2.CascadeClassifier(
    'C:/MyOpenCV/cascades/haarcascade_frontalface_default.xml')
eye_cascade = cv2.CascadeClassifier(
    'C:/MyOpenCV/cascades/haarcascade_eye.xml')

camera = cv2.VideoCapture(0)
count = 0
while (cv2.waitKey(1) == -1):
    success, frame = camera.read()
    if success:
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(
            gray, 1.3, 5, minSize=(120, 120))
        for (x, y, w, h) in faces:
            cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)
            # 将人脸区域调整为200*200像素
            face_img = cv2.resize(gray[y:y + h, x:x + w], (200, 200))
            face_filename = '%s/%d.pgm' % (output_folder, count)
            cv2.imwrite(face_filename, face_img)
            count += 1
        cv2.imshow('Capturing Faces...', frame)

camera.release()
cv2.destroyAllWindows()

代码解析

创建文件夹，用于存放人脸数据
初始化CascadeClassifier对象
打开摄像头，读取一帧（循环）：
- 转换为灰度图片
- 进行人脸检测
- 将人脸区域调整为200*200像素并保存为pgm格式图片
- 读取下一帧
关闭摄像头
想要训练其他人的脸部数据，更改文件夹名称（人名或人名首字母），再次重复上述步骤即可。

二、加载人脸识别的训练数据

? ? ? ? 上面，我们生成了训练数据，并将他们保存在根据人名或者人名首字母进行组织的文件夹中。

? ? ? ? 下面，我们编写一个脚本加载这些图像，并以一种 OpenCV 的人脸识别器能够理解的方式对它们进行标签。

代码

import os
import cv2
import numpy


def read_images(path, image_size):
    names = []
    training_images, training_labels = [], []
    label = 0
    for dirname, subdirnames, filenames in os.walk(path):
        for subdirname in subdirnames:
            names.append(subdirname)
            subject_path = os.path.join(dirname, subdirname)
            for filename in os.listdir(subject_path):
                img = cv2.imread(os.path.join(subject_path, filename),
                                 cv2.IMREAD_GRAYSCALE)
                if img is None:
                    # The file cannot be loaded as an image.
                    # Skip it.
                    continue
                img = cv2.resize(img, image_size)
                training_images.append(img)
                training_labels.append(label)
            label += 1
    training_images = numpy.asarray(training_images, numpy.uint8)
    training_labels = numpy.asarray(training_labels, numpy.int32)
    return names, training_images, training_labels

通过如下代码调用 read_images 函数：

path_to_training_images = '../data/at'
training_image_size = (200, 200)
names, training_images, training_labels = read_images(
    path_to_training_images, training_image_size)

代码分析

read_images 函数：
- 创建人名或人名首字母列表 names（基于子文件夹名称）
- 创建用于存放的图像列表training_imags ，和与加载的图像相关联的数字ID列表 training_labels。
  （第一个列表用于存放调整后的图像）
  （第二个列表用于存放某个子文件夹内的数字ID，主要用于标识当前的图片在哪个子文件夹内，相同的子文件夹内的所有图片的标签（数字ID）都是一样的，例如，0可以是子文件夹ReadyGo加载的所有图像的标签，1是下一个子文件夹内的所有图像的标签）
- （循环）遍历 子文件夹名：
  - 将第1(2......n)个子文件夹名存入names列表中
  - （循环）遍历当前子文件夹内的文件名：
    - 以灰度图读取第1(2......n)张图片
    - 将图片调整为指定大小
    - training_images 列表存入修改后的图片
    - training_labels 列表存入对应于子文件夹的标签值
  - 标签值+1（即上一个子文件夹内的所有图片已处理完毕）
- 返回：names列表，training_images列表，training_labels列表

到目前为止，我们已经有了有用格式的训练数据（但还没有训练），而且还没有创建人脸识别器。

下面的脚本，与此脚本为同一个脚本，运行时需同时运行。

三、基于特征脸进行人脸识别

? ? ? ? 上面，我们已经有了有用格式的训练图像（数组）和标签（数组）。

? ? ? ? 下面，用两行代码创建和训练一个人脸识别器。

代码

model = cv2.face.EigenFaceRecognizer_create()  # 使用默认参数
model.train(training_images, training_labels)

我们可以选择地将两个参数传递给cv2.EigenFaceRecognizer_create():

num_components：这是PCA需要保留的主成分数量
threshold：这是一个浮点值，指定置信度阈值。丢弃置信度低于阈值的人脸（默认不丢弃任何人脸）。

下面，我们将进行人脸识别器的初始化：

face_cascade = cv2.CascadeClassifier(
    'C:/MyOpenCV/cascades/haarcascade_frontalface_default.xml')

然后初始化摄像头回传信号，遍历帧，对每一帧进行人脸识别和检测

camera = cv2.VideoCapture(0)
while (cv2.waitKey(1) == -1):
    success, frame = camera.read()
    if success:
        faces = face_cascade.detectMultiScale(frame, 1.3, 5)
        for (x, y, w, h) in faces:
            cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)
            gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
            roi_gray = gray[x:x + w, y:y + h]
            if roi_gray.size == 0:
                continue
            roi_gray = cv2.resize(roi_gray, training_image_size)
            label, confidence = model.predict(roi_gray)
            text = '%s, confidence = %.2f' % (names[label], confidence)
            cv2.putText(frame, text, (x, y - 20), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)
        cv2.imshow('Face Recognition', frame)

camera.release()
cv2.destroyAllWindows()

代码分析

读取一帧（循环）：
- 检测人脸
- 绘制矩形
- 转换为灰度图
- 修改人脸区域大小尺寸
- 将人脸区域传递给人脸识别器的 predict 函数
  （返回标签和置信度）
- 根据标签查找人名
- 显示带注释的图像

拓展：

????????置信度典型的取值范围取决于算法，特征脸和Fisherfish产生的值的范围大致在0~20000，低于4000的所有数值都表示是一个相当有信心的识别结果。对于LBPH，好的识别结果参考值低于50，所有超过80的值都被认为是糟糕的置信度。

下面，我们用其他算法替换特征脸

四、基于 Fisherface 进行人脸识别

cv2.face.FisherFaceRecognizer_create() 和?cv2.face.EigenFaceRecognizer_create()接收相同的两个可选参数：主成分数量和置信度阈值

只需替换一行代码（使用默认参数）：

model = cv2.face.FisherFaceRecognizer_create()

五、基于 LBPH 进行人脸识别

LBPH 算法接收以下可选参数（按顺序）：

radius：用于计算单元格直方图的领域之间的像素距离（默认为1）
neighbors：用于计算单元格直方图的领域数（默认为8）
grid_x：水平分割人脸的单元格数量（默认为8）
grid_y：垂直分割人脸的单元格数量（默认为8）
threshold：置信度阈值（默认最高，即不丢弃任何人脸）

替换一行代码（使用默认参数）：

model = cv2.face.LBPHFaceRecognizer_create()

注意：

? ? ? ??使用LBPH不需要调整（resize）图像的大小

全部代码

1.采集人脸数据（.py）

import cv2
import os

# 创建一个特定的文件夹，用于存放人脸数据
output_folder = '../data/at/ReadyGo'
if not os.path.exists(output_folder):
    os.makedirs(output_folder)

# 初始化两个CascadeClassifier对象，分别用于人脸和眼睛
face_cascade = cv2.CascadeClassifier(
    'C:/MyOpenCV/cascades/haarcascade_frontalface_default.xml')
eye_cascade = cv2.CascadeClassifier(
    'C:/MyOpenCV/cascades/haarcascade_eye.xml')

camera = cv2.VideoCapture(0)
count = 0
while (cv2.waitKey(1) == -1):
    success, frame = camera.read()
    if success:
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(
            gray, 1.3, 5, minSize=(120, 120))
        for (x, y, w, h) in faces:
            cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)
            # 将人脸区域调整为200*200像素
            face_img = cv2.resize(gray[y:y + h, x:x + w], (200, 200))
            face_filename = '%s/%d.pgm' % (output_folder, count)
            cv2.imwrite(face_filename, face_img)
            count += 1
        cv2.imshow('Capturing Faces...', frame)

camera.release()
cv2.destroyAllWindows()

2.识别人脸（.py）

import os
import cv2
import numpy


def read_images(path, image_size):
    names = []
    training_images, training_labels = [], []
    label = 0
    for dirname, subdirnames, filenames in os.walk(path):
        for subdirname in subdirnames:
            names.append(subdirname)
            subject_path = os.path.join(dirname, subdirname)
            for filename in os.listdir(subject_path):
                img = cv2.imread(os.path.join(subject_path, filename),
                                 cv2.IMREAD_GRAYSCALE)
                if img is None:
                    # The file cannot be loaded as an image.
                    # Skip it.
                    continue
                img = cv2.resize(img, image_size)
                training_images.append(img)
                training_labels.append(label)
            label += 1
    training_images = numpy.asarray(training_images, numpy.uint8)
    training_labels = numpy.asarray(training_labels, numpy.int32)
    return names, training_images, training_labels


path_to_training_images = '../data/at'
training_image_size = (200, 200)
names, training_images, training_labels = read_images(
    path_to_training_images, training_image_size)

model = cv2.face.LBPHFaceRecognizer_create()
model.train(training_images, training_labels)

face_cascade = cv2.CascadeClassifier(
    'C:/MyOpenCV/cascades/haarcascade_frontalface_default.xml')

camera = cv2.VideoCapture(0)
while (cv2.waitKey(1) == -1):
    success, frame = camera.read()
    if success:
        faces = face_cascade.detectMultiScale(frame, 1.3, 5)
        for (x, y, w, h) in faces:
            cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)
            gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
            roi_gray = gray[x:x + w, y:y + h]
            if roi_gray.size == 0:
                continue
            # roi_gray = cv2.resize(roi_gray, training_image_size)
            label, confidence = model.predict(roi_gray)
            text = '%s, confidence = %.2f' % (names[label], confidence)
            cv2.putText(frame, text, (x, y - 20), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)
        cv2.imshow('Face Recognition', frame)

camera.release()
cv2.destroyAllWindows()

【参考】：OpenCV 4计算机视觉 Python语言实现（原书第三版）作者：Joseph Howse