[机器学习] opencv人脸识别 基于python haar级联分类器模型训练_haar模型

这也太好听了吧！

本次模型训练以唐可可为例，完成唐可可的人脸识别模型训练，并且检验模型的准确性。

1.收集正负片数据集

模型训练需要准备正负样本集，正样本集需要包含唐可可的图片，负样本集需要完全不含有唐可可的图片。

【正片】
正片可以从互联网上检索，我们需要获取唐可可的图片并且下载，例如：

【负片】
负片的获取就相对容易了，选择任意一张图片都可以。但是负片要做到尽可能种类多样，这样有利于提升识别的准确率。同时负片的样本数量应该在正片样本数量的3倍左右，这是一个经验结论，有利于训练过程中虚警率在合理区间内。
以下提供一个可用的负样本集库，可以酌情下载使用：

—负片数据集网址点此跳转—

我们需要把准备好的正负样本图片保存到文件夹中，文件后缀应为jpg格式。请注意：正样本命名为[positive]，负样本命名为[negative]。
这并非是不必要的，这一步为接下来的图片规范化做铺垫。

2.调整图片规范格式

找到样本集的上级文件夹绝对路径，并且复制到剪贴板中。
如图：

此时C:\User\yliue\Desktop\haar为输入解释器的绝对路径，文件夹内包含正负样本两个文件夹。（请确保文件名称正确，否则代码运行将会失败）

运行图片规范化代码，把绝对路径粘贴到解释器对应的窗口中，然后回车确认。
完整代码块如下：

import os
import cv2
import time

class rebuild():
    def count(self, path):
        filenames = os.listdir(path)
        file_len = len(filenames)
        return file_len

    def rename(self, path):  # rename函数对所有图片进行命名规范化

        num = int(self.count(path))
        num_list = []  # 储存图片的名称信息
        for i in range(1, num + 1):  # 开始进行排序
            num_list.append(i)

        image = os.listdir(path)  # 将原文件名称保存到列表中

        n = 0
        for i in image:
            old_name = path + image[n]  # 旧文件名（就是路径+文件名）
            new_name = path + str(num_list[n]) + '.jpg'  # 新文件名（就是路径+文件名）
            os.rename(old_name, new_name)  # 进行名称修改
            n = n + 1

    def reform(self, path, size):
        for i in range(1, self.count(path) + 1):
            img_path = path + str(i) + '.jpg'
            img = cv2.imread(img_path, 0)
            img = cv2.resize(img, (size, size))
            cv2.imwrite(path + str(i) + '.jpg', img)

            print("重构进度：", '{:.2%}'.format(i / self.count(path))),

if __name__ = '__main__':

	PATH = input("请在冒号后粘贴完整的图片文件夹地址：")
	file = rebuild()  # 实例化
	time_start = time.time()  # 记录开始检测时间
	print("#*******图片重构开始*******#")
	
	#负片检测
	path_n = PATH + r"\\negative\\"
	print("负样本库中共检测到", file.count(path_n), "张图片")
	#正片检测
	path_p = PATH + r"\\postive\\"
	print("正样本库中共检测到", file.count(path_p), "张图片")
	
	file.rename(path_n)  # 进行名称规范化
	file.reform(path_n, 80)  # 进行格式规范化
	print("#***负样本重构完成***#")
	file.rename(path_p)  # 进行名称规范化
	file.reform(path_p, 20)  # 进行格式规范化
	print("#***正样本重构完成***#")
	
	time_end = time.time()  # 记录终止时间
	print('执行完成，总耗时：', (time_end - time_start), '秒')  # 输出执行时间

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

进度条跑满后，编译器会显示执行完成，并输出检测耗时。
之后，我们打开本地文件，检查正负样本文件夹内的图片，是否达成预定目标。

观察到图片都按照预期修改完毕后，我们可以进行下一步操作。

3.生成样本描述文件

4.完成模型训练迭代

5.进行模型识别测试

import cv2 as cv  # 引入opencv库

def opencv_print(title, obj):  # 定义opencv_print函数，参数为标题和对象
    cv.namedWindow(title, cv.WINDOW_FREERATIO)
    cv.imshow(title, obj)  # 窗口显示标题并且输出对象信息
    cv.waitKey(0)  # 一直等待按键操作
    cv.destroyAllWindows()  # 关闭所有窗口

def face_recognition(pic_name):  # 定义face_recognition函数
    img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)  # 将img转化为灰度图保存到img_gray中
    face_recongnition = cv.CascadeClassifier(
        r'C:\Users\yliue\PycharmProjects\opencv_project_pic\cascade.xml')
    # cv类的CascadeClassifier方法定义face_recongnition对象（括号内为模型地址）
    face = face_recongnition.detectMultiScale(img_gray, 1.1, 2, 0)
    # face_recongnition对象的detectMultiScale方法定义face对象 （括号内为Mat& image,scaleFactor,minNeighbors,flags）
    for x, y, h, w in face:  # 遍历所有的像素点
        cv.rectangle(img, (x, y), (x + w, y + h), color=(255, 0, 0), thickness=2)  # 绘制框选长方体
    opencv_print(pic_name, img)  # 调用opencv_print函数
    print(x, y, w, h)  # 显示位置坐标
    print(x + w / 2, y + h / 2)  # 显示中心坐标
    print(type(face))

#***main***#
if __name__ == '__main__':
    
    pic_name = input("请输入待识别的图片名称（不包含后缀名）：")
    img = cv.imread(pic_name + '.jpg')  # 读取图像名称
    face_recognition(pic_name)  # 调用face_recognition函数
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