def detect_face(img):
 #將測試圖像轉(zhuǎn)換為灰度圖像，因為opencv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，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)將讀取所有的訓練圖像，從每個圖像檢測人臉并將返回兩個相同大小的列表，分別為臉部信息和標簽
def prepare_training_data(data_folder_path):
 # 獲取數(shù)據(jù)文件夾中的目錄（每個主題的一個目錄）
 dirs = os.listdir(data_folder_path)
 # 兩個列表分別保存所有的臉部和標簽
 faces = []
 labels = []
 # 瀏覽每個目錄并訪問其中的圖像
 for dir_name in dirs:
 # dir_name(str類型)即標簽
 label = int(dir_name)
 # 建立包含當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)的標簽
 faces.append(face)
 labels.append(label)
 cv2.waitKey(1)
 cv2.destroyAllWindows()
 #最終返回值為人臉和標簽列表
 return faces, labels

#調(diào)用prepare_training_data（）函數(shù)
faces, labels = prepare_training_data("training_data")
#創(chuàng)建LBPH識別器并開始訓練，當然也可以選擇Eigen或者Fisher識別器
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）坐標標識出人名
def draw_text(img, text, x, y):
 cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (128, 128, 0), 2)
#建立標簽與人名的映射列表（標簽只能為整數(shù)）
subjects = ["jiaju", "jiaqiang"]

# 此函數(shù)識別傳遞的圖像中的人物并在檢測到的臉部周圍繪制一個矩形及其名稱
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)
 # 獲取由人臉識別器返回的相應(yīng)標簽的名稱
 label_text = subjects[label[0]]
 # 在檢測到的臉部周圍畫一個矩形
 draw_rectangle(img, rect)
 # 標出預(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)
#顯示兩個圖像
cv2.imshow(subjects[0], predicted_img1)
cv2.imshow(subjects[1], predicted_img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

# # -*- 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，因為opencv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，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)將讀取所有的訓練圖像，從每個圖像檢測人臉并將返回兩個相同大小的列表，分別為臉部信息和標簽
def prepare_training_data(data_folder_path):
 # 獲取數(shù)據(jù)文件夾中的目錄（每個主題的一個目錄）
 dirs = os.listdir(data_folder_path)
 # 兩個列表分別保存所有的臉部和標簽
 faces = []
 labels = []
 # 瀏覽每個目錄并訪問其中的圖像
 for dir_name in dirs:
 # dir_name(str類型)即標簽
 label = int(dir_name)
 # 建立包含當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)的標簽
 faces.append(face)
 labels.append(label)
 cv2.waitKey(1)
 cv2.destroyAllWindows()
 #最終返回值為人臉和標簽列表
 return faces, labels
#調(diào)用prepare_training_data（）函數(shù)
faces, labels = prepare_training_data("training_data")
#創(chuàng)建LBPH識別器并開始訓練，當然也可以選擇Eigen或者Fisher識別器
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）坐標標識出人名
def draw_text(img, text, x, y):
 cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (128, 128, 0), 2)
#建立標簽與人名的映射列表（標簽只能為整數(shù)）
subjects = ["jiaju", "jiaqiang"]
# 此函數(shù)識別傳遞的圖像中的人物并在檢測到的臉部周圍繪制一個矩形及其名稱
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)
 # 獲取由人臉識別器返回的相應(yīng)標簽的名稱
 label_text = subjects[label[0]]
 # 在檢測到的臉部周圍畫一個矩形
 draw_rectangle(img, rect)
 # 標出預(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)
#顯示兩個圖像
cv2.imshow(subjects[0], predicted_img1)
cv2.imshow(subjects[1], predicted_img2)
cv2.waitKey(0)
cv2.destroyAllWindows()