快捷導(dǎo)航

20行python代碼實(shí)現(xiàn)人臉識(shí)別

更新時(shí)間：2019年05月05日 11:18:56 作者：Python編程爬蟲工程師

這篇文章主要介紹了python人臉識(shí)別，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

OpenCV 是最流行的計(jì)算機(jī)視覺庫，原本用 C 和 C++ 開發(fā)，現(xiàn)在也支持 Python。

它使用機(jī)器學(xué)習(xí)算法在圖像中搜索人的面部。對(duì)于人臉這么復(fù)雜的東西，并沒有一個(gè)簡單的檢測(cè)能對(duì)是否存在人臉下結(jié)論，而需要成千上萬的特征匹配。算法把人臉識(shí)別任務(wù)分解成數(shù)千個(gè)小任務(wù)，每個(gè)都不難處理。這些任務(wù)也被稱為分類器。

對(duì)于類似于人臉的對(duì)象，你或許需要不少于 6000 個(gè)分類器，每一個(gè)都需要成功匹配（當(dāng)然，有容錯(cuò)率），才能檢測(cè)出人臉。但這有一個(gè)問題：對(duì)于人臉識(shí)別，算法從左上角開始計(jì)算一個(gè)個(gè)數(shù)據(jù)塊，不停問“這是張臉嗎”。每個(gè)數(shù)據(jù)塊有超過 6000 個(gè)檢測(cè)，加起來的計(jì)算量會(huì)達(dá)到數(shù)百萬級(jí)別，計(jì)算機(jī)很可能會(huì)讓你等得花兒都謝了。

OpenCV 使用 cascades 來避免這種情況。Cascade 是什么？最佳答案已經(jīng)在字典里了：一條瀑布或者連續(xù)瀑布。

好比連續(xù)瀑布，OpenCV cascade 把人臉檢測(cè)問題分解為好幾步。對(duì)于每個(gè)數(shù)據(jù)塊，它都進(jìn)行一個(gè)粗略、快速的檢測(cè)。若通過，會(huì)再進(jìn)行一個(gè)更仔細(xì)的檢測(cè)，以此不斷類推。該算法有 30 到 50 個(gè)這樣的階段，或者說 cascade。

只有通過全部階段，算法才會(huì)判斷檢測(cè)到人臉。這樣做的好處是：大多數(shù)圖形都會(huì)在頭幾步就產(chǎn)生否定反饋，算法因而不需要在它上面測(cè)試所有 6000 個(gè)特征，大大節(jié)省了時(shí)間。相對(duì)于“正常流程”耗費(fèi)數(shù)個(gè)小時(shí)，這可以實(shí)時(shí)實(shí)現(xiàn)人臉檢測(cè)。

軟件環(huán)境：

python3+openCV

代碼：

#encoding:utf-8
import cv2
filename = "/users/Downloads/20181102142518.png"
def detect(filename):
 # haarcascade_frontalface_default.xml存儲(chǔ)在package安裝的位置
face_cascade = cv2.CascadeClassifier("/usr/local/lib/python3.6/site-packages/cv2/data/haarcascade_frontalface_default.xml")
 img = cv2.imread(filename)
 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 #傳遞參數(shù)是scaleFactor和minNeighbors,分別表示人臉檢測(cè)過程中每次迭代時(shí)圖像的壓縮率以及每個(gè)人臉矩形保留近鄰數(shù)目的最小值
 #檢測(cè)結(jié)果返回人臉矩形數(shù)組
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
 for (x, y, w, h) in faces:
 img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
 cv2.namedWindow("Human Face Result!")
 cv2.imshow("Human Face Result!", img)
 cv2.imwrite("images/Face.jpg", img)
 cv2.waitKey(0)
 cv2.destroyAllWindows()
detect(filename)