快捷導(dǎo)航

Python基于Opencv來快速實(shí)現(xiàn)人臉識(shí)別過程詳解（完整版）

更新時(shí)間：2019年07月11日 09:15:22 作者：千鋒Python唐唐君

這篇文章主要介紹了Python基于Opencv來快速實(shí)現(xiàn)人臉識(shí)別過程詳解（完整版）隨著人工智能的日益火熱，計(jì)算機(jī)視覺領(lǐng)域發(fā)展迅速，今天就為大家?guī)碜罨A(chǔ)的人臉識(shí)別基礎(chǔ)，從一個(gè)個(gè)函數(shù)開始走進(jìn)這個(gè)奧妙的世界,需要的朋友可以參考下

前言

隨著人工智能的日益火熱，計(jì)算機(jī)視覺領(lǐng)域發(fā)展迅速，尤其在人臉識(shí)別或物體檢測方向更為廣泛，今天就為大家?guī)碜罨A(chǔ)的人臉識(shí)別基礎(chǔ)，從一個(gè)個(gè)函數(shù)開始走進(jìn)這個(gè)奧妙的世界。

首先看一下本實(shí)驗(yàn)需要的數(shù)據(jù)集，為了簡便我們只進(jìn)行兩個(gè)人的識(shí)別，選取了beyond樂隊(duì)的主唱黃家駒和貝斯手黃家強(qiáng)，這哥倆長得有幾分神似，這也是對人臉識(shí)別的一個(gè)考驗(yàn)：

兩個(gè)文件夾，一個(gè)為訓(xùn)練數(shù)據(jù)集，一個(gè)為測試數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集中有兩個(gè)文件夾0和1，之前看一些資料有說這里要遵循“slabel”命名規(guī)則，但后面處理起來比較麻煩，因?yàn)槟壳皁pencv接受的人臉識(shí)別標(biāo)簽為整數(shù)，那我們就直接用整數(shù)命名吧：

為了方便，我們每個(gè)人用20張照片來訓(xùn)練，0代表黃家駒，1代表黃家強(qiáng)：

開始啦：

1.檢測人臉

這應(yīng)該是最基本的，給我們一張圖片，我們要先檢測出人臉的區(qū)域，然后才能
進(jìn)行操作，opencv已經(jīng)內(nèi)置了很多分類檢測器，我們這次用haar：

def detect_face(img):
 #將測試圖像轉(zhuǎn)換為灰度圖像，因?yàn)閛pencv人臉檢測器需要灰度圖像
 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 #加載OpenCV人臉檢測分類器Haar
 face_cascade = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')
 #檢測多尺度圖像，返回值是一張臉部區(qū)域信息的列表（x,y,寬,高）
 faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5)
 # 如果未檢測到面部，則返回原始圖像
 if (len(faces) == 0):
 return None, None
 #目前假設(shè)只有一張臉，xy為左上角坐標(biāo)，wh為矩形的寬高
 (x, y, w, h) = faces[0]
 #返回圖像的正面部分
 return gray[y:y + w, x:x + h], faces[0]

2.有了數(shù)據(jù)集和檢測人臉的功能后，我們就可以進(jìn)行預(yù)訓(xùn)練了

最后返回所有訓(xùn)練圖片的人臉檢測信息和標(biāo)簽：

# 該函數(shù)將讀取所有的訓(xùn)練圖像，從每個(gè)圖像檢測人臉并將返回兩個(gè)相同大小的列表，分別為臉部信息和標(biāo)簽
def prepare_training_data(data_folder_path):
 # 獲取數(shù)據(jù)文件夾中的目錄（每個(gè)主題的一個(gè)目錄）
 dirs = os.listdir(data_folder_path)
 # 兩個(gè)列表分別保存所有的臉部和標(biāo)簽
 faces = []
 labels = []
 # 瀏覽每個(gè)目錄并訪問其中的圖像
 for dir_name in dirs:
 # dir_name(str類型)即標(biāo)簽
 label = int(dir_name)
 # 建立包含當(dāng)前主題主題圖像的目錄路徑
 subject_dir_path = data_folder_path + "/" + dir_name
 # 獲取給定主題目錄內(nèi)的圖像名稱
 subject_images_names = os.listdir(subject_dir_path)
 # 瀏覽每張圖片并檢測臉部，然后將臉部信息添加到臉部列表faces[]
 for image_name in subject_images_names:
 # 建立圖像路徑
 image_path = subject_dir_path + "/" + image_name
 # 讀取圖像
 image = cv2.imread(image_path)
 # 顯示圖像0.1s
 cv2.imshow("Training on image...", image)
 cv2.waitKey(100)
 # 檢測臉部
 face, rect = detect_face(image)
 # 我們忽略未檢測到的臉部
 if face is not None:
 #將臉添加到臉部列表并添加相應(yīng)的標(biāo)簽
 faces.append(face)
 labels.append(label)
 cv2.waitKey(1)
 cv2.destroyAllWindows()
 #最終返回值為人臉和標(biāo)簽列表
 return faces, labels

3.有了臉部信息和對應(yīng)標(biāo)簽后，我們就可以使用opencv自帶的識(shí)別器來進(jìn)行訓(xùn)練了：

#調(diào)用prepare_training_data（）函數(shù)
faces, labels = prepare_training_data("training_data")
#創(chuàng)建LBPH識(shí)別器并開始訓(xùn)練，當(dāng)然也可以選擇Eigen或者Fisher識(shí)別器
face_recognizer = cv2.face.LBPHFaceRecognizer_create()
face_recognizer.train(faces, np.array(labels))

4.訓(xùn)練完畢后就可以進(jìn)行預(yù)測了

在這之前我們可以設(shè)定一下預(yù)測的格式，包括用矩形框框出人臉并標(biāo)出其名字，當(dāng)然最后別忘了建立標(biāo)簽與真實(shí)姓名直接的映射表：

#根據(jù)給定的（x，y）坐標(biāo)和寬度高度在圖像上繪制矩形
def draw_rectangle(img, rect):
 (x, y, w, h) = rect
 cv2.rectangle(img, (x, y), (x + w, y + h), (128, 128, 0), 2)
# 根據(jù)給定的（x，y）坐標(biāo)標(biāo)識(shí)出人名
def draw_text(img, text, x, y):
 cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (128, 128, 0), 2)
#建立標(biāo)簽與人名的映射列表（標(biāo)簽只能為整數(shù)）
subjects = ["jiaju", "jiaqiang"]

5.現(xiàn)在就可以定義我們的預(yù)測函數(shù)了：

# 此函數(shù)識(shí)別傳遞的圖像中的人物并在檢測到的臉部周圍繪制一個(gè)矩形及其名稱
def predict(test_img):
 #生成圖像的副本，這樣就能保留原始圖像
 img = test_img.copy()
 #檢測人臉
 face, rect = detect_face(img)
 #預(yù)測人臉
 label = face_recognizer.predict(face)
 # 獲取由人臉識(shí)別器返回的相應(yīng)標(biāo)簽的名稱
 label_text = subjects[label[0]]
 # 在檢測到的臉部周圍畫一個(gè)矩形
 draw_rectangle(img, rect)
 # 標(biāo)出預(yù)測的名字
 draw_text(img, label_text, rect[0], rect[1] - 5)
 #返回預(yù)測的圖像
 return img

6.最后使用我們test_data中的圖片進(jìn)行預(yù)測并顯示最終效果：

#加載測試圖像
test_img1 = cv2.imread("test_data/test1.jpg")
test_img2 = cv2.imread("test_data/test2.jpg")
#執(zhí)行預(yù)測
predicted_img1 = predict(test_img1)
predicted_img2 = predict(test_img2)
#顯示兩個(gè)圖像
cv2.imshow(subjects[0], predicted_img1)
cv2.imshow(subjects[1], predicted_img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

來看看識(shí)別的結(jié)果：

這就是人臉識(shí)別最基本的流程，后續(xù)還會(huì)進(jìn)一步的研究，下一篇我們將討論本次實(shí)驗(yàn)的一些細(xì)節(jié)和注意事項(xiàng)，算是對本篇的一次挖掘和總結(jié)吧。

最后附上完整代碼：

# # -*- coding:utf-8 -*-
import cv2
import os
import numpy as np
# 檢測人臉
def detect_face(img):
 #將測試圖像轉(zhuǎn)換為灰度圖像，因?yàn)閛pencv人臉檢測器需要灰度圖像
 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 #加載OpenCV人臉檢測分類器Haar
 face_cascade = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')
 #檢測多尺度圖像，返回值是一張臉部區(qū)域信息的列表（x,y,寬,高）
 faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5)
 # 如果未檢測到面部，則返回原始圖像
 if (len(faces) == 0):
 return None, None
 #目前假設(shè)只有一張臉，xy為左上角坐標(biāo)，wh為矩形的寬高
 (x, y, w, h) = faces[0]
 #返回圖像的正面部分
 return gray[y:y + w, x:x + h], faces[0]
# 該函數(shù)將讀取所有的訓(xùn)練圖像，從每個(gè)圖像檢測人臉并將返回兩個(gè)相同大小的列表，分別為臉部信息和標(biāo)簽
def prepare_training_data(data_folder_path):
 # 獲取數(shù)據(jù)文件夾中的目錄（每個(gè)主題的一個(gè)目錄）
 dirs = os.listdir(data_folder_path)
 # 兩個(gè)列表分別保存所有的臉部和標(biāo)簽
 faces = []
 labels = []
 # 瀏覽每個(gè)目錄并訪問其中的圖像
 for dir_name in dirs:
 # dir_name(str類型)即標(biāo)簽
 label = int(dir_name)
 # 建立包含當(dāng)前主題主題圖像的目錄路徑
 subject_dir_path = data_folder_path + "/" + dir_name
 # 獲取給定主題目錄內(nèi)的圖像名稱
 subject_images_names = os.listdir(subject_dir_path)
 # 瀏覽每張圖片并檢測臉部，然后將臉部信息添加到臉部列表faces[]
 for image_name in subject_images_names:
 # 建立圖像路徑
 image_path = subject_dir_path + "/" + image_name
 # 讀取圖像
 image = cv2.imread(image_path)
 # 顯示圖像0.1s
 cv2.imshow("Training on image...", image)
 cv2.waitKey(100)
 # 檢測臉部
 face, rect = detect_face(image)
 # 我們忽略未檢測到的臉部
 if face is not None:
 #將臉添加到臉部列表并添加相應(yīng)的標(biāo)簽
 faces.append(face)
 labels.append(label)
 cv2.waitKey(1)
 cv2.destroyAllWindows()
 #最終返回值為人臉和標(biāo)簽列表
 return faces, labels
#調(diào)用prepare_training_data（）函數(shù)
faces, labels = prepare_training_data("training_data")
#創(chuàng)建LBPH識(shí)別器并開始訓(xùn)練，當(dāng)然也可以選擇Eigen或者Fisher識(shí)別器
face_recognizer = cv2.face.LBPHFaceRecognizer_create()
face_recognizer.train(faces, np.array(labels))
#根據(jù)給定的（x，y）坐標(biāo)和寬度高度在圖像上繪制矩形
def draw_rectangle(img, rect):
 (x, y, w, h) = rect
 cv2.rectangle(img, (x, y), (x + w, y + h), (128, 128, 0), 2)
# 根據(jù)給定的（x，y）坐標(biāo)標(biāo)識(shí)出人名
def draw_text(img, text, x, y):
 cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (128, 128, 0), 2)
#建立標(biāo)簽與人名的映射列表（標(biāo)簽只能為整數(shù)）
subjects = ["jiaju", "jiaqiang"]
# 此函數(shù)識(shí)別傳遞的圖像中的人物并在檢測到的臉部周圍繪制一個(gè)矩形及其名稱
def predict(test_img):
 #生成圖像的副本，這樣就能保留原始圖像
 img = test_img.copy()
 #檢測人臉
 face, rect = detect_face(img)
 #預(yù)測人臉
 label = face_recognizer.predict(face)
 # 獲取由人臉識(shí)別器返回的相應(yīng)標(biāo)簽的名稱
 label_text = subjects[label[0]]
 # 在檢測到的臉部周圍畫一個(gè)矩形
 draw_rectangle(img, rect)
 # 標(biāo)出預(yù)測的名字
 draw_text(img, label_text, rect[0], rect[1] - 5)
 #返回預(yù)測的圖像
 return img
#加載測試圖像
test_img1 = cv2.imread("test_data/test1.jpg")
test_img2 = cv2.imread("test_data/test2.jpg")
#執(zhí)行預(yù)測
predicted_img1 = predict(test_img1)
predicted_img2 = predict(test_img2)
#顯示兩個(gè)圖像
cv2.imshow(subjects[0], predicted_img1)
cv2.imshow(subjects[1], predicted_img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: