用Python实现简单的人脸识别功能步骤详解_Python

前言

让我的电脑认识我，我的电脑只有认识我，才配称之为我的电脑！

今天，我们用python实现简单的人脸识别技术！

python里，简单的人脸识别有很多种方法可以实现，依赖于python胶水语言的特性，我们通过调用包可以快速准确的达成这一目的。这里介绍的是准确性比较高的一种。

一、首先

梳理一下实现人脸识别需要进行的步骤：

用Python实现简单的人脸识别功能步骤详解

流程大致如此，在此之前，要先让人脸被准确的找出来，也就是能准确区分人脸的分类器，在这里我们可以用已经训练好的分类器，网上种类较全，分类准确度也比较高，我们也可以节约在这方面花的时间。

ps: 博主的宝贝来源已经放在下面链接里啦~

二、接下来

1. 对照人脸获取

				?

									#-----获取人脸样本-----

									import cv2

									#调用笔记本内置摄像头，参数为0，如果有其他的摄像头可以调整参数为1,2

									cap = cv2.videocapture(0)

									#调用人脸分类器，要根据实际路径调整3

									face_detector = cv2.cascadeclassifier(r'x:/users/73950/desktop/facerec/haarcascade_frontalface_default.xml') #待更改

									#为即将录入的脸标记一个id

									face_id = input('\n user data input,look at the camera and wait ...')

									#samplenum用来计数样本数目

									count = 0

									while true: 

									 #从摄像头读取图片

									 success,img = cap.read() 

									 #转为灰度图片，减少程序符合，提高识别度

									 if success is true: 

									 gray = cv2.cvtcolor(img, cv2.color_bgr2gray) 

									 else: 

									 break

									 #检测人脸，将每一帧摄像头记录的数据带入opencv中，让classifier判断人脸

									 #其中gray为要检测的灰度图像，1.3为每次图像尺寸减小的比例，5为minneighbors

									 faces = face_detector.detectmultiscale(gray, 1.3, 5)

									 #框选人脸，for循环保证一个能检测的实时动态视频流

									 for (x, y, w, h) in faces:

									 #xy为左上角的坐标,w为宽，h为高，用rectangle为人脸标记画框

									 cv2.rectangle(img, (x, y), (x+w, y+w), (255, 0, 0))

									 #成功框选则样本数增加

									 count += 1

									 #保存图像，把灰度图片看成二维数组来检测人脸区域

									 #(这里是建立了data的文件夹，当然也可以设置为其他路径或者调用数据库)

									 cv2.imwrite("data/user."+str(face_id)+'.'+str(count)+'.jpg',gray[y:y+h,x:x+w]) 

									 #显示图片

									 cv2.imshow('image',img) 

									 #保持画面的连续。waitkey方法可以绑定按键保证画面的收放，通过q键退出摄像

									 k = cv2.waitkey(1) 

									 if k == '27':

									 break

									 #或者得到800个样本后退出摄像，这里可以根据实际情况修改数据量，实际测试后800张的效果是比较理想的

									 elif count >= 800:

									 break

									#关闭摄像头，释放资源

									cap.realease()

									cv2.destroyallwindows()

经博主测试，在执行

“face_detector = cv2.cascadeclssifier(r'c:\users\admin\desktop\python\data\haarcascade_frontalface_default.xml')”此语句时，实际路径中的目录名尽量不要有中文字符出现，否则容易报错。

这样，你的电脑就能看到你啦！

2. 通过算法建立对照模型

本次所用的算法为opencv中所自带的算法，opencv较新版本中（我使用的是2.4.8）提供了一个facerecognizer类，里面有相关的一些人脸识别的算法及函数接口，其中包括三种人脸识别算法（我们采用的是第三种）

1.eigenface

2.fisherface

3.lbphfacerecognizer

lbp是一种特征提取方式，能提取出图像的局部的纹理特征，最开始的lbp算子是在3x3窗口中，取中心像素的像素值为阀值，与其周围八个像素点的像素值比较，若像素点的像素值大于阀值，则此像素点被标记为1，否则标记为0。这样就能得到一个八位二进制的码，转换为十进制即lbp码，于是得到了这个窗口的lbp值，用这个值来反映这个窗口内的纹理信息。

lbph是在原始lbp上的一个改进，在opencv支持下我们可以直接调用函数直接创建一个lbph人脸识别的模型。

我们在前一部分的同目录下创建一个python文件，文件名为trainner.py，用于编写数据集生成脚本。同目录下，创建一个文件夹，名为trainner，用于存放我们训练后的识别器。

				?

									#-----建立模型、创建数据集-----#-----建立模型、创建数据集-----

									import os

									import cv2

									import numpy as np

									from pil import image

									#导入pillow库，用于处理图像

									#设置之前收集好的数据文件路径

									path = 'data'

									#初始化识别的方法

									recog = cv2.face.lbphfacerecognizer_create()

									#调用熟悉的人脸分类器

									detector = cv2.cascadeclassifier('haarcascade_frontalface_default.xml')

									#创建一个函数，用于从数据集文件夹中获取训练图片,并获取id

									#注意图片的命名格式为user.id.samplenum

									def get_images_and_labels(path):

									 image_paths = [os.path.join(path,f) for f in os.listdir(path)]

									 #新建连个list用于存放

									 face_samples = []

									 ids = []

									 #遍历图片路径，导入图片和id添加到list中

									 for image_path in image_paths:

									 #通过图片路径将其转换为灰度图片

									 img = image.open(image_path).convert('l')

									 #将图片转化为数组

									 img_np = np.array(img,'uint8')

									 if os.path.split(image_path)[-1].split(".")[-1] != 'jpg':

									  continue

									 #为了获取id，将图片和路径分裂并获取

									 id = int(os.path.split(image_path)[-1].split(".")[1])

									 faces = detector.detectmultiscale(img_np)

									 #将获取的图片和id添加到list中

									 for(x,y,w,h) in faces:

									  face_samples.append(img_np[y:y+h,x:x+w])

									  ids.append(id)

									 return face_samples,ids

									#调用函数并将数据喂给识别器训练

									print('training...')

									faces,ids = get_images_and_labels(path)

									#训练模型

									recog.train(faces,np.array(ids))

									#保存模型

									recog.save('trainner/trainner.yml')

这就让电脑认识到你是与众不同的那颗星~

3. 识别

检测，校验，输出其实都是识别的这一过程，与前两个过程不同，这是涉及实际使用的过程，所以我们把他整合放在一个统一的一个文件内。

				?

									#-----检测、校验并输出结果-----

									import cv2

									#准备好识别方法

									recognizer = cv2.face.lbphfacerecognizer_create()

									#使用之前训练好的模型

									recognizer.read('trainner/trainner.yml')

									#再次调用人脸分类器

									cascade_path = "haarcascade_frontalface_default.xml"

									face_cascade = cv2.cascadeclassifier(cascade_path)

									#加载一个字体，用于识别后，在图片上标注出对象的名字

									font = cv2.font_hershey_simplex

									idnum = 0

									#设置好与id号码对应的用户名，如下，如0对应的就是初始

									names = ['初始','admin','user1','user2','user3']

									#调用摄像头

									cam = cv2.videocapture(0)

									minw = 0.1*cam.get(3)

									minh = 0.1*cam.get(4)

									while true:

									 ret,img = cam.read()

									 gray = cv2.cvtcolor(img,cv2.color_bgr2gray)

									 #识别人脸

									 faces = face_cascade.detectmultiscale(

									  gray,

									  scalefactor = 1.2,

									  minneighbors = 5,

									  minsize = (int(minw),int(minh))

									  )

									 #进行校验

									 for(x,y,w,h) in faces:

									 cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

									 idnum,confidence = recognizer.predict(gray[y:y+h,x:x+w])

									 #计算出一个检验结果

									 if confidence < 100:

									  idum = names[idnum]

									  confidence = "{0}%",format(round(100-confidence))

									 else:

									  idum = "unknown"

									  confidence = "{0}%",format(round(100-confidence))

									 #输出检验结果以及用户名

									 cv2.puttext(img,str(idum),(x+5,y-5),font,1,(0,0,255),1)

									 cv2.puttext(img,str(confidence),(x+5,y+h-5),font,1,(0,0,0),1)

									 #展示结果

									 cv2.imshow('camera',img)

									 k = cv2.waitkey(20)

									 if k == 27:

									  break

									#释放资源

									cam.release()

									cv2.destroyallwindows()