（项目笔记）opencv人脸识别_opencv人脸识别csdn

Haar级联：

Haar特征：边缘特征，线性特征，中心环绕特征，对角线特征

这些特征组合为特征模板，特征模板里有白色和黑色矩形，模板特征即为白色矩形像素和减去黑色矩形像素和。

Haar 特征的提取简单说就是通过不断改变模版的大小、位置和类型，白色矩形区域像素和‘减 去’黑色矩形区域像素和，以得到每种类型模版的大量子特征。

Haar特征提取需要大量重复计算各个像素，因此使用积分图可以很好减少计算量。积分图将图像以线性时间初始化（仅第二次遍历图像时），并可以通过矩形区域 四个角的值，提供像素的总和

在此例中，如要知道ABCD面积，只需要将左上角作为基准，计算以下四部分面积，最后图3 - 图1 - 图2 - 图4即为ABCD面积

Haar 级联是一个基于 Haar 特征的级联分类器，级联分类器把弱分类器转换为强分类器

人脸识别流程：

人脸检测，图像采集：
加载人脸检测器
图像预处理（灰度化，直方图均衡化）
detectMultiscal识别
rectangle函数绘制矩形框
在原图截取人脸图像

人脸识别：
样本归一化
加载训练好的分类器
预测输入图像值
判断角色

人脸数据采集程序

注：单纯安装opencv-python没有包含人脸识别所使用函数，因为人脸识别函数还属于opencv测试版内容，稳定性还无法保证，因此没有放在常规发行版。要安装opencv-contrib-python

pip install opencv-contrib-python -i https://mirrors.aliyun.com/pypi/simple/

import cv2
import numpy as np
import os

def generate_img(dirname):
    face_cascade = cv2.CascadeClassifier('D:\\opencv\\data\\haarcascades\\haarcascade_frontalface_default.xml')
    if (not os.path.isdir(dirname)):
        os.makedirs(dirname)
    cap = cv2.VideoCapture(0)
    count = 0
    while True:
        ret,frame = cap.read()
        x,y = frame.shape[0:2]
        small_frame = cv2.resize(frame, (int(y/2), int(x/2)))
        result = small_frame.copy()
        gray = cv2.cvtColor(small_frame, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(gray,1.3,5)
        for (x, y, w, h) in faces:
            result = cv2.rectangle(result, (x, y), (x + w, y + h), (255, 0, 0), 2)
            f = cv2.resize(gray[y: y + h, x: x + w], (200, 200))
            if count < 20:
                cv2.imwrite(dirname + '%s.pgm' % str(count), f)
                print(count)
                count += 1
        cv2.imshow('face', result)
        if cv2.waitKey(30) & 0xFF == ord('q'):
            break
    cap.release()
    cv2.destroyAllWindows()
    
if __name__ == '__main__':
    generate_img(".\\photos\\raine")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

说明：
1 face_cascade = cv2.CascadeClassifier('D:\\opencv\\data\\haarcascades\\haarcascade_frontalface_default.xml')
引入opencv的人脸检测器。该程序参数路径为标记好的图片的xml文件，关于人脸图片的xml文件可以自己标记创建，也可以直接下载opencv官方库（https://github.com/opencv/opencv/tree/master/data/haarcascades）。这里引入其中一个xml文件路径（我用的是正脸照片文件）。注意windows里路径要使用 \ 而非 \ 。 因为 \ 为转义字符标注，使用 \ 为 \ 的转义字符。

2

ret,frame = cap.read()
x,y = frame.shape[0:2]
small_frame = cv2.resize(frame, (int(y/2), int(x/2)))
result = small_frame.copy()
gray = cv2.cvtColor(small_frame, cv2.COLOR_BGR2GRAY)
1
2
3
4
5

获取相机照片，缩放图片使长宽缩为一半，复制图片，转换图片为灰度图

3 faces = face_cascade.detectMultiScale(gray,1.3,5)
调用face_cascade对象识别人脸，参数：
1 image表示的是要检测的输入图像
2 objects表示检测到的人脸目标序列
3 scaleFactor表示每次图像尺寸减小的比例
4 minNeighbors表示每一个目标至少要被检测到3次才算是真的目标(因为周围的像素和不同的窗口大小都可以检测到人脸)
5 minSize为目标的最小尺寸
6 minSize为目标的最大尺寸

4

 for (x, y, w, h) in faces:
            result = cv2.rectangle(result, (x, y), (x + w, y + h), (255, 0, 0), 2)
            f = cv2.resize(gray[y: y + h, x: x + w], (200, 200))
1
2
3

用矩形框框出人脸。创建图像 f 为截取的人脸部分图片

5

if count < 20:
                cv2.imwrite(dirname + '%s.pgm' % str(count), f)
                print(count)
                count += 1
1
2
3
4

保存图片，count加一，count为20时停止保存
效果如下：

人脸识别
opencv有三种人脸识别方法：
1 Fisherfaces：PCA 衍生版本，更高级，速度更快
2 Eigenfaces：通过 PCA 处理，计算训练集相对于数据库发散程度，越小则数据库与检测 到人脸差别越小
3 Local Binary Pattern Histogram(LBPH)：将人脸分成小单元，与模型对应单元比对，每 个比对区域产生一个直方图

人脸数据模型训练及识别

import os
import sys
import cv2
import numpy as np


# search for face photos in the files 
def read_images(path, sz = None):
    index = 0
    images, indexes = [], []
    names = []
    # find path for samples
    for root, dirs, files in os.walk(path): # transverse the path
        for subdirs in dirs:    # get files in the childrens in path
            subject_path = os.path.join(root, subdirs)
            for filename in os.listdir(subject_path):   # get each photos
                try:
                    if (filename == ".directory"):
                        continue
                    # find the path for each photo
                    filepath = os.path.join(subject_path, filename)
                    im = cv2.imread(os.path.join(subject_path, filename), cv2.IMREAD_GRAYSCALE) # read face samples
                    # negative samples
                    if (im is None):
                        print("image" + filepath + "is None")
                    # positive samples
                    if (sz is not None):    
                        im = cv2.resize(im, sz)
                        images.append(np.asarray(im, dtype = np.uint8))
                        indexes.append(index)
                except:
                    print("unexpected error")
                    raise # throw an exception
            index = index + 1
            names.append(subdirs)
    return [names, images, indexes]


# detect and classify face images
def face_rec(read_dir):
    # get face samples
    [names, x, y] = read_images(read_dir, sz = (200, 200))
    y = np.asarray(y, dtype=np.int32)
    model = cv2.face_EigenFaceRecognizer.create() # create face classifier model
    model.train(np.asarray(x), np.asarray(y))   # train model
    # create face detector model
    face_cascade = cv2.CascadeClassifier('C:/Users/linli/Desktop/faceDetect/haarcascade_frontalface_default.xml')
    cap = cv2.VideoCapture(0)
    while True:
        # get gray image
        ret, frame = cap.read()
        x, y = frame.shape[0:2]
        small_frame = cv2.resize(frame, (int(y / 2), int(x / 2)))
        result = small_frame.copy()
        gray = cv2.cvtColor(small_frame, cv2.COLOR_BGR2GRAY)
        # find face in the video frame
        faces = face_cascade.detectMultiScale(gray, 1.3, 5)

        for (x, y, w, h) in faces:
            # mark the face with a rectangle
            result = cv2.rectangle(result, (x, y), (x + w, y + h), (255, 0, 0), 2)
            roi = gray[x:x + w, y:y + h]
            centerX = int(x + w / 2)
            centerY = int(y + h / 2)
            result = cv2.circle(result, (centerX, centerY), 5, (0, 0, 255), -1)
            try:
                roi = cv2.resize(roi, (200,200), interpolation=cv2.INTER_LINEAR)
                [p_label, p_confidence] = model.predict(roi)    # predict the face identity
                print(p_confidence)
                # showthe prediction in text
                cv2.putText(result, names[p_label], (x, y - 20), cv2.FONT_HERSHEY_SIMPLEX, 1, 255, 2)
            except:
                continue
        cv2.imshow("recognize_face", result)
        if cv2.waitKey(30) & 0xFF == ord('q'):
            break
    cap.release()
    cv2.destroyAllWindows()


if __name__ == "__main__":
    face_rec("./photos")       
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82

1 Python里os获取路径基本函数
os.path.join(String*)：接受多个字符串为参数，将字符串连接为文件路径，如果出现以 / 开头的参数，路径从最后一个以 / 开头参数开始
os.listdir(path)：参数为一个路径，返回该路径下所有文件和文件夹名称
os.walk(path)：遍历选定路径文件夹，返回root，dirs，files。其中root为当前文件夹path的绝对路径，dirs为当前文件夹子文件夹，files为当前文件夹下文件

2 def read_images(path, sz = None):
该函数搜索文件夹里已有的人脸样本，得到一个路径（names）+图像（images）+序号（indexes）二维列表

3

model = cv2.face_EigenFaceRecognizer.create() # create face classifier model
model.train(np.asarray(x), np.asarray(y))   # train model
1
2

创建人脸分类对象并利用之前获得的人脸图片训练模型

4

faces = face_cascade.detectMultiScale(gray, 1.3, 5)
1

调用人脸识别模型，在视频画面中寻找人脸图像

5

roi = cv2.resize(roi, (200,200), interpolation=cv2.INTER_LINEAR)
1

Eigenfaces算法要求识别目标图像和样本图像大小一致，这里统一设为200*200

6

centerX = int(x + w / 2)
centerY = int(y + h / 2)
result = cv2.circle(result, (centerX, centerY), 5, (0, 0, 255), -1)
1
2
3

找到人脸中心并绘制圆
注：circle函数参数：图像，圆心，半径，颜色，线宽（负数代表填充）
圆心必须为int型

7

[p_label, p_confidence] = model.predict(roi) 
1

获取预测结构，包括标签名称和置信区间

效果如下：