10分钟手把手教你运用Python实现简单的人脸识别

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

欲直接下载代码文件，关注我们的公众号哦！查看历史消息即可！

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 实现高大上的 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。

01 首先

梳理一下实现人脸识别需要进行的步骤：

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:小编的宝贝来源已经放在下面链接里啦~

02 接下来

2.1 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()

经小编测试，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！

2.2 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~

2.3 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()