OpenCV人脸监测与识别步骤

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。

并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

1. 人脸识别步骤

梳理一下人脸识别实现的步骤，主要由人脸采集，预处理，特征提取，匹配与识别四个步骤组成

2. 人脸监测

人脸识别首先应该先实现人脸监测，要先在一张图片中捕获到人脸，再去识别图片中的人脸和数据库中人脸数据进行比较。

人脸检测的最常见方法是使用"Haar 分类器"。基于 Haar 功能的级联分类器的对象检测是 Paul Viola 和 Michael Jones 提出的一种有效的对象检测、基于机器学习的方法。

进行人脸检测需要大量的图像数据来训练分类器,然后从中提取特征,使用OpenCV可以进行人脸的训练和推理，也可以训练自己的分类器为任何对象进行分类，同时OpenCV包含许多预先训练过的分类器，我们只需要调用OpenCV的接口就可以。

代码如下：

#导入cv模块
import cv2 as cv
#检测函数
def face_detect():
  gary = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
  face_detect = cv.CascadeClassifier('haarcascade_frontalface_default.xml')
  face = face_detect.detectMultiScale(gary)
  for x,y,w,h in face:
    cv.rectangle(img,(x,y),(x+w,y+h),color=(0,0,255),thickness=2)
  cv.imshow('result',img)


#读取图像
img = cv.imread('face2.jpg')
#检测函数
face_detect()
#等待
while True:
  if ord('q') == cv.waitKey(0):
    break
#释放内存
cv.destroyAllWindows()

在代码中，首先对读取的图像进行了灰度处理,然后引入级联分类器文件，通过detectMultiScale()函数来调用分类器功能

通过rectangle()函数来标记图像中的面孔，如果发现人脸，它会返回检测到的面部位置，作为左上角（x，y）的矩形，并将”w”作为宽度，将”h”作为高度。

运行效果如下：

3. 录入人脸功能模块

导入第三方库：

import cv2
import os
from PIL import Image
import numpy as np

OS：主要是对文件和文件夹进行操作，在Python中对⽂件和⽂件夹的操作要借助os模块⾥⾯的相关功能。

PIL：python中最常用的图形处理库，PIL支持图像存储、显示和处理，它能够处理几乎所有图片格式，可以完成对图像的缩放、裁剪、叠加以及图像添加线条、图像和文字等操作。

NumPy：一个由多维数组对象和用于处理数组的例程集合组成的库。可以执行以下操作：数组的算数和逻辑运算。傅立叶变换和用于图形操作的例程。与线性代数有关的操作。NumPy 拥有线性代数和随机数生成的内置函数。

存储人脸数据：

facesSamples=[]

存储姓名数据：

ids=[]

存储图片信息：

imagePaths=[os.path.join(path,f) for f in os.listdir(path)]

加载分类器：

face_detector = cv2.CascadeClassifier('haarcascade_frontalface_alt2.xml'

遍历列表中的图片：

for imagePath in imagePaths:

将打开的图片灰度化：

PIL_img = Image.open(imagePath).convert('L')

将图片转化为数组：

img_numpy = np.array(PIL_img,'uint8')

获取图片人脸特征：

faces = face_detector.detectMultiScale(img_numpy)

获取每一张拍摄图片的id与姓名：

id = int(os.path.split(imagePath)[1].split('.')[0])

做判断，预防拍摄无面容图片：

for x,y,w,h in faces:
   ids.append(id)
   facesSamples.append(img_numpy[y:y+h,x:x+w])

打印面部特征与id，并返回数据：

 print('id',id)
print('fs:',facesSamples)
return facesSamples,ids

调用图片路径：

path='./data/jm/'

获取图像数组和id标签数组和姓名：

faces,ids=getImageAndLabels(path)

加载识别器：

recognizer = cv2.face.LBPHFaceRecognizer_create()

训练数据：

recognizer.train(faces,np.array(ids))

保存面部特征到文件夹：

recognizer.write('tupian/tupian.yml')

完整代码如下：

import os
import cv2
from PIL import Image
import numpy as np


def getImageAndLabels(path):
  facesSamples=[]
  ids=[]
  imagePaths=[os.path.join(path,f) for f in os.listdir(path)]
  #检测人脸
  face_detector = cv2.CascadeClassifier('haarcascade_frontalface_alt2.xml')
  #打印数组imagePaths
  print('数据排列：',imagePaths)
  #遍历列表中的图片
  for imagePath in imagePaths:
    #打开图片,黑白化
    PIL_img=Image.open(imagePath).convert('L')
    #将图像转换为数组，以黑白深浅
    # PIL_img = cv2.resize(PIL_img, dsize=(400, 400))
    img_numpy=np.array(PIL_img,'uint8')
    #获取图片人脸特征
    faces = face_detector.detectMultiScale(img_numpy)
    #获取每张图片的id和姓名
    id = int(os.path.split(imagePath)[1].split('.')[0])
    #预防无面容照片
    for x,y,w,h in faces:
      ids.append(id)
      facesSamples.append(img_numpy[y:y+h,x:x+w])


    print('id:', id)


  print('fs:', facesSamples)


  return facesSamples,ids


if __name__ == '__main__':
  #图片路径
  path='./data/jm/'
  #获取图像数组和id标签数组和姓名
  faces,ids=getImageAndLabels(path)
  #获取训练对象
  recognizer=cv2.face.LBPHFaceRecognizer_create()
  #recognizer.train(faces,names)#np.array(ids)
  recognizer.train(faces,np.array(ids))
  #保存文件
  recognizer.write('trainer/trainer.yml')
  #save_to_file('names.txt',names)

4. 人脸识别

人脸识别器已经完成，现在要在相机上捕获人脸。如果此人之前拍摄并训练过他的脸，识别器将做出预测，返回ID名。

使用刚刚训练的识别器模型(加载trainer.yml)，然后就和刚刚“人脸分类器”的步骤一样去进行人脸识别，并且recognizer.predict将返回每张图片识别后的匹配率。

人脸识别实现函数如下：

def face_detect(img):
  gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#转换为灰度
  face_detector=cv2.CascadeClassifier(r'haarcascade_frontalface_alt2.xml')
  face=face_detector.detectMultiScale(gray,1.1,5,cv2.CASCADE_SCALE_IMAGE,(100,100),(300,300))
  #face=face_detector.detectMultiScale(gray)
  for x,y,w,h in face:
    cv2.circle(img,center=(x+w//2,y+h//2),radius=w//2,color=(0,255,0),thickness=1)
    # 人脸识别
    ids, confidence = recogizer.predict(gray[y:y + h, x:x + w])
    #print('标签id:',ids,'置信评分：', confidence)
    if confidence > 80:
      cv2.putText(img, 'unkonw', (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)
    else:
      cv2.putText(img,str(names[ids-1]), (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)
  cv2.imshow('result',img)

添加名字标签:

#名字标签
def name():
  path = './tupian/'
  # names = []
  imagePaths=[os.path.join(path,f) for f in os.listdir(path)]
  for imagePath in imagePaths:
    name = str(os.path.split(imagePath)[1].split('.',2)[1])
    names.append(name)

加载监控或已保存下来的视频：

#加载视频
cap=cv2.VideoCapture(8)
name()
while True:
  flag,frame=cap.read()
  if not flag:
    break
  face_detect_demo(frame)
  if ord(' ') == cv2.waitKey(10):
    break
#释放内存+视频
cv2.destroyAllWindows()
cap.release()

最终效果如下