计算机视觉opencv之人脸识别1（CV2自带人脸识别LBPH人脸识别EigenFace人脸识别）

一、使用cv2中自带的文件进行人脸识别cv2库中就有人脸识别的文件这里我们使用的是pycharm所以就用pycharm进行演示左侧项目栏中展开外部库——展开site-package——展开cv2——展开data然后就会看到这些文件这是cv2本身自带的右击这个文件复制粘贴到我们要写的代码文件位置同目录下以供我们后面的使用其实意思就是1.人脸识别objectscv2.CascadeClassifier.detectMultiScale(image,scaleFactor,minNeighbors,flags,minSize,maxSize )其中各个参数及返回值的含义如下。.image:待检测图像通常为灰度图像。.scaLeFactor:表示在前后两次相继扫描中搜索窗口的缩放比例。识别扫描按照不同比例来进行扫描.minNeighbors:表示构成检测目标的相邻矩形的最小个数。在默认情况下该参数的值为3 表示有3个以上的检测标记存在时才认为存在人脸。如果希望提高检测的准确率可以将该参数的值设置得更大 但这样做可能会让一些人脸无法被检测到。fLags:该参数通常被省略。在使用低版本OpenCV(OpenCV 1.X版本)时该参数可能会被设置为 CV_HAAR_DO_CANNY_PRUNING,表示使用Canny边缘检测器拒绝一些区域。.minSize:目标的最小尺寸小于这个尺寸的目标将被忽略。.maxSize:目标的最大尺寸大于这个尺寸的目标将被忽略。通常情况下将该可选参数省略即可。 若maxSize和minSize 大小一致则表示仅在一个尺度上查找目标。.objects:返回值目标对象的矩形框向量组。该值是一组矩形信息 包含每个检测到的人脸对应的矩形框的信息(x轴方向位置、y轴方向位置、宽度、高度)。#对图片的人脸识别 import cv2 # 读取图片 image cv2.imread(rD:\project\x-other.jpg) # 转换为灰度图像 gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 加载人脸识别分类器 faceCascade cv2.CascadeClassifier(haarcascade_frontalface_default.xml)#导入我们刚刚复制的文件 # 检测人脸 faces faceCascade.detectMultiScale(gray, scaleFactor1.05, minNeighbors5, minSize(8, 8)) # 输出检测结果 print(发现{}张人脸.format(len(faces))) print(其位置分别是, faces) # 在图片上标注人脸 for (x, y, w, h) in faces: cv2.rectangle(image, (x, y), (x w, y h), (0, 255, 0), 2) # 显示结果 cv2.imshow(result, image) cv2.waitKey(0) cv2.destroyAllWindows()注意这里我们的文件要在同目录下上面也有说过意思就是 下面这样我们在1人脸识别这个代码中使用到了这个文件如果直接写这个cv2中人脸识别的文件名就要确保该文件也在这个文件目录下这里两个文件都在人脸识别这个目录下。其实就是和我们读取图片一样道理。结果上面是对图片进行人脸识别下面我们修改代码让他对摄像头或者视频进行人脸识别。在之前opencv的学习中也有提到过图片和视屏的转换最重要的一点就是while True的添加对视频的处理实质上也是对图片的处理搞懂一个那么后面图片转视频就会游刃有余。import cv2 # 加载人脸识别分类器 faceCascade cv2.CascadeClassifier(haarcascade_frontalface_default.xml) capcv2.VideoCapture(tuanbo.mp4) while True: ret,framecap.read() if not ret: break gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces faceCascade.detectMultiScale(gray, scaleFactor1.05, minNeighbors5, minSize(8, 8)) # 输出检测结果 print(发现{}张人脸.format(len(faces))) print(其位置分别是, faces) # 在图片上标注人脸 for (x, y, w, h) in faces: cv2.rectangle(frame, (x, y), (x w, y h), (0, 255, 0), 2) cv2.imshow(re,frame) keycv2.waitKey(1) 0xFF if keyord(q): break cap.release() cv2.destroyAllWindows()2.微笑检测本质上也是对人脸的识别在cv2库中找到下面文件也复制粘贴到我们要写的代码文件同目录下这里我们直接对视频进行微笑检测也可以自己改代码改为图片微笑检测这里我们设置镜像不是因为他能提高微笑检测的效果而是一般情况下人脸识别是给用户自己是用户的这样设置镜像能增加用户体验感。import cv2 # 加载人脸和微笑检测分类器 faceCascade cv2.CascadeClassifier(haarcascade_frontalface_default.xml) smile cv2.CascadeClassifier(haarcascade_smile.xml) cap cv2.VideoCapture(smile2.mp4) # 初始化摄像头 while True: # 处理每一帧 ret, image cap.read() # 读取一帧 if not ret: # 没有读到直接退出 break image cv2.flip(image, 1) # 图片翻转水平翻转镜像 gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 灰度化 # 人脸检测 faces faceCascade.detectMultiScale(gray, scaleFactor1.1, minNeighbors10, minSize(5, 5)) for (x, y, w, h) in faces: # 绘制人脸矩形框 cv2.rectangle(image, (x, y), (x w, y h), (0, 255, 0), 2) # 提取人脸所在区域灰度 roi_grayscale gray[y:y h, x:x w] cv2.imshow(dongtai,roi_grayscale)#这里的显示是实时人脸识别矩形框内单独裁剪出来 # 仅在人脸区域内检测微笑 smiles smile.detectMultiScale(roi_grayscale, scaleFactor1.5, minNeighbors25, minSize(50, 50)) for (sx, sy, sw, sh) in smiles: # 绘制微笑区域相对于原图坐标 a x sx b y sy cv2.rectangle(image, (a, b), (a sw, b sh), (255, 0, 0), 2) # 显示文字smile表示微笑了 cv2.putText(image, smile, (x, y), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 255), 2) # 显示结果 cv2.imshow(Face and Smile Detection, image) key cv2.waitKey(30) if key 27: # ESC键退出 break cap.release() cv2.destroyAllWindows()这里有两个矩形框一个是对人脸识别的一个是对微笑识别当检测到微笑的时候左上角就会显示smile二、LBPH人脸识别这里我们传入五张图片其中前三张是一个人我们设标签为0对应ss后两张是另外一个人我们设标签为1对应是xzq。标签-1就是无法识别传入一张新图对该图片进行识别人脸并显示名字。1.识别器cv2. face. LBPHFaceRecognizer create(radius-None, neighbors-None, grid xNone, grid y-None, threshold-None) 是创建一个LBPH的人脸特征识别器radius:可选参数 圆形局部二进制模式的半径建议使用默认值neighbors:可选参数圆形局部二进制模式的采样点数目建议使用默认值grid_x:可选参数水平方向上的的单元格数默认值为8即将LBP特征图在水平方向上划分为8个单元。grid_y:可选参数垂直方向上的的单元格数默认值为8建议使用默认值若grid_x和grid_y都为默认值 则表示特征图划分为8*8大小统计8*8大小的直方图。threshold:可选参数 人脸识别时使用的阈值建议使用默认值也可以进行调节2.训练模型函数train用给定的数据和相关标签训练生成的实例模型。该函数的语法格式为 None 识别器对象.train(src,Labels)src:训练图像用来学习的人脸图像Labels:标签人脸图像对应的标签3.预测函数predict()对一个待识别人脸图像进行判断寻找与当前图像距离最近的人脸图像。与哪幅人脸图像距离最近就将当前待测图像标注为该人脸图像对应的标签。若待识别人脸图像与所有人脸图像的距离都大于特定的距离值(阈值)则认为没有找到对应的结果参数与返回值的含义如下:src:需要识别的人脸图像Label:返回的识别结果标签返回-1表示无法识别当前人脸。confidence:返回的置信度评分用来衡量识别结果与原有模型之间的距离评分越小表示匹配越高但是若高于80则认为识别结果与原有模型差距大。import cv2 import numpy as np # 提前训练的人脸照片 images [] images.append(cv2.imread(rss/1.jpg, cv2.IMREAD_GRAYSCALE)) images.append(cv2.imread(rss/4.jpg, cv2.IMREAD_GRAYSCALE)) images.append(cv2.imread(rss/3.jpg, cv2.IMREAD_GRAYSCALE)) images.append(cv2.imread(rss/7.jpg, cv2.IMREAD_GRAYSCALE)) images.append(cv2.imread(rss/8.jpg, cv2.IMREAD_GRAYSCALE)) labels [0,0,0,1,1] dic {0: ss, 1: xzq, -1: 无法识别} # 待识别人脸 predict_image cv2.imread(rss/9.jpg, cv2.IMREAD_GRAYSCALE) # 创建LBPH人脸识别器 recognizer cv2.face.LBPHFaceRecognizer_create(threshold100)#可以进行调节识别不出来就往大调 # 训练模型 recognizer.train(images, np.array(labels)) # 预测 label, confidence recognizer.predict(predict_image) print(这是:, dic[label]) print(置信度:, confidence)结果这里我们要介绍一下置信度的含义置信度和准确率是不一样的。准确率高说明模型训练的很好。但是置信度高并不代码预测就是对的置信度是模型训练之后有一套自己的判断规则之后进行预测一个新数据他会有几个预测的结果其中模型觉得哪个可能性最大就会输出哪个所以置信度高只是模型自以为的可能性最大的结果。三、EigenFace人脸识别1.识别器cv2.face.EigenFaceRecognizer_create (num_componentsNone, thresholdNone)作用:创建一个EigenFace的人脸特征识别器num_components:在PCA中要保留的分量个数。当然该参数值通常要根据输入数据来具体确定并没有一定取值。一般程序中取80即可(降维成多少个特征)threshold:进行人脸识别所采用的阈值2.训练函数FaceRecognizertrain用给定的数据和相关标签训练生成的实例模型。该函数的语法格式为 #None cv2.faceFaceRecognizer.train(src, labels )参数的含义如下:src:训练图像用来学习的人脸图像LabeLs:标签人脸图像对应的标签。import cv2 import numpy as np # 读取训练图像注意图片大小需要一致 images [] a cv2.imread(r.\ss\7.jpg, 0) a cv2.resize(a, (120, 180)) b cv2.imread(r.\ss\9.jpg, 0) b cv2.resize(b, (120, 180)) c cv2.imread(r.\ss\11.jpg, 0) c cv2.resize(c, (120, 180)) d cv2.imread(r.\ss\12.jpg, 0) d cv2.resize(d, (120, 180)) images.append(a) images.append(b) images.append(c) images.append(d) labels [0, 0, 1, 1] # 待识别图像 pre_image cv2.imread(r.\ss\8.jpg, 0) pre_image cv2.resize(pre_image, (120, 180)) # 创建Eigenfaces人脸识别器 recognizer cv2.face.EigenFaceRecognizer_create(threshold9000)#往大调 # 使用训练数据(images和labels)来训练识别器 recognizer.train(images, np.array(labels)) 预测 label, confidence recognizer.predict(pre_image) dic {0: xzq, 1: yyp, -1: 无法识别} print(这是:, dic[label]) print(置信度为:, confidence) # 在图片上显示识别结果 original_img cv2.imread(r.\ss\8.jpg).copy() original_img cv2.resize(original_img, dsizeNone,fx0.5,fy0.5) aa cv2.putText(original_img, dic[label], (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2) cv2.imshow(Recognition Result, aa) cv2.waitKey(0) cv2.destroyAllWindows()结果