基于Opencv的快速人脸识别（完整版）

随着人工智能的日益普及，计算机视觉领域得到了迅速发展，特别是在面部识别或物体检测方向上. 今天opencv 人脸检测，我将从功能入手，为您带来最基本的人脸识别基础. 进入这个神秘的世界.

首先查看此实验所需的数据集. 为了简单起见，我们只识别了两个人. 除了黄家驹乐队和贝斯手黄家强之外，我还选择了偶像歌手. 这两个兄弟看起来很像，这也是人脸识别的测试:

两个文件夹，一个用于训练数据集，一个用于测试数据集. 训练数据集中有两个文件夹0和1. 我之前阅读过一些材料，并说我们必须在这里遵循“ slabel”命名规则，但是稍后我们将对其进行处理. 更为麻烦的是，opencv当前接受的面部识别标签是整数，所以我们只用整数来命名它们:

为简单起见，我们每个人都使用20张照片进行训练，0张用于黄家驹，1张用于黄家强:

开始吧:

检测面孔. 这应该是最基本的. 给我们一张照片. 在操作之前，我们必须首先检测面部区域. Opencv已经有许多内置的分类检测器. 这次我们使用haar:

def detect_face(img):
    #将测试图像转换为灰度图像，因为opencv人脸检测器需要灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    #加载OpenCV人脸检测分类器Haar
    face_cascade = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')
    #检测多尺度图像，返回值是一张脸部区域信息的列表（x,y,宽,高）
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeiors=5)
    # 如果未检测到面部，则返回原始图像
    if (len(faces) == 0):
        return None, None
    #目前假设只有一张脸，xy为左上角坐标，wh为矩形的宽高
    (x, y, w, h) = faces[0]
    #返回图像的正面部分
    return gray[y:y + w, x:x + h], faces[0]

2. 有了数据集和人脸检测功能，我们就可以进行预训练，最后返回所有训练图像的人脸检测信息和标签:

# 该函数将读取所有的训练图像，从每个图像检测人脸并将返回两个相同大小的列表，分别为脸部信息和标签
def prepare_training_data(data_folder_path):
    # 获取数据文件夹中的目录（每个主题的一个目录）
    dirs = os.listdir(data_folder_path)
    # 两个列表分别保存所有的脸部和标签
    faces = []
    labels = []
    # 浏览每个目录并访问其中的图像
    for dir_name in dirs:
        # dir_name(str类型)即标签
        label = int(dir_name)
        # 建立包含当前主题主题图像的目录路径
        subject_dir_path = data_folder_path + "/" + dir_name
        # 获取给定主题目录内的图像名称
        subject_images_names = os.listdir(subject_dir_path)
        # 浏览每张图片并检测脸部，然后将脸部信息添加到脸部列表faces[]
        for image_name in subject_images_names:
            # 建立图像路径
            image_path = subject_dir_path + "/" + image_name
            # 读取图像
            image = cv2.imread(image_path)
            # 显示图像0.1s
            cv2.imshow("Training on image...", image)
            cv2.waitKey(100)
            # 检测脸部
            face, rect = detect_face(image)
            # 我们忽略未检测到的脸部
            if face is not None:
                #将脸添加到脸部列表并添加相应的标签
                faces.append(face)
                labels.append(label)
    cv2.waitKey(1)
    cv2.destroyAllWindows()
    #最终返回值为人脸和标签列表
    return faces, labels

3. 有了面部信息和相应的标签，我们可以使用opencv随附的识别器进行训练:

#调用prepare_training_data（）函数
faces, labels = prepare_training_data("training_data")
#创建LBPH识别器并开始训练，当然也可以选择Eigen或者Fisher识别器
face_recognizer = cv2.face.LBPHFaceRecognizer_create()
face_recognizer.train(faces, np.array(labels))

4. 可以在训练后进行预测. 在此之前，我们可以设置预测的格式opencv 人脸检测，包括用矩形框框住人脸并标记其名称. 当然，不要忘记直接使用真实名称创建标签. 映射表:

#根据给定的（x，y）坐标和宽度高度在图像上绘制矩形
def draw_rectangle(img, rect):
    (x, y, w, h) = rect
    cv2.rectangle(img, (x, y), (x + w, y + h), (128, 128, 0), 2)
# 根据给定的（x，y）坐标标识出人名
def draw_text(img, text, x, y):
    cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (128, 128, 0), 2)
#建立标签与人名的映射列表（标签只能为整数）
subjects = ["jiaju", "jiaqiang"]

5. 现在我们可以定义我们的预测函数:

{9: 4: a: 5: d: c: c: f: 5: 0: f: b: 1: d: e: f: 0: 8: 6: 9: 6: 5: b: 1: d: e: 9: 7: 6: 1: 1: d）

6. 最后，使用test_data中的图片进行预测并显示最终结果:

#加载测试图像
test_img1 = cv2.imread("test_data/test1.jpg")
test_img2 = cv2.imread("test_data/test2.jpg")
#执行预测
predicted_img1 = predict(test_img1)
predicted_img2 = predict(test_img2)
#显示两个图像
cv2.imshow(subjects[0], predicted_img1)
cv2.imshow(subjects[1], predicted_img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

查看识别结果:

这是人脸识别的最基本过程，并将进一步研究. 在下一篇文章中，我们将讨论该实验的一些细节和注意事项. 可以将其视为本文的摘要. 附上完整的代码:

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-148037-1.html