使用python3.7和opencv4.1來實現人臉識別和人臉特徵比對以及模型訓練

OpenCV4。1已經發布將近一年了，其人臉識別速度和效能有了一定的提高，這裡我們使用opencv來做一個實時活體面部識別的demo

首先安裝一些依賴的庫

pip install opencv-python

pip install opencv-contrib-python

pip install numpy

pip install pillow

需要注意一點，最好將pip設定國內的阿里雲的源，否則安裝會很慢

win10在使用者目錄下建立一個pip資料夾，然後在pip資料夾內建立一個pip。ini檔案，檔案內容如下

［global］

trusted-host = mirrors。aliyun。com

index-url = http：//mirrors。aliyun。com/pypi/simple

這樣就可以用國內的源來下載安裝包

一開始，我們可以簡單的在攝像頭中識別人的臉部和眼鏡，原來就是用opencv內建的分類器，對直播影像中的每一幀進行掃描

import numpy as np

import cv2

from settings import src

# 人臉識別

faceCascade = cv2。CascadeClassifier（src+‘haarcascade_frontalface_default。xml’）

# 識別眼睛

eyeCascade = cv2。CascadeClassifier（src+‘haarcascade_eye。xml’）

# 開啟攝像頭

cap = cv2。VideoCapture（0）

ok = True

result = ［］

while ok：

# 讀取攝像頭中的影象，ok為是否讀取成功的判斷引數

ok， img = cap。read（）

# 轉換成灰度影象

gray = cv2。cvtColor（img， cv2。COLOR_BGR2GRAY）

# 人臉檢測

faces = faceCascade。detectMultiScale（

gray，

scaleFactor=1。2，

minNeighbors=5，

minSize=（32， 32）

）

# 在檢測人臉的基礎上檢測眼睛

for （x， y， w， h） in faces：

fac_gray = gray［y： （y+h）， x： （x+w）］

result = ［］

eyes = eyeCascade。detectMultiScale（fac_gray， 1。3， 2）

# 眼睛座標的換算，將相對位置換成絕對位置

for （ex， ey， ew， eh） in eyes：

result。append（（x+ex， y+ey， ew， eh））

# 畫矩形

for （x， y， w， h） in faces：

cv2。rectangle（img， （x， y）， （x+w， y+h）， （255， 0， 0）， 2）

for （ex， ey， ew， eh） in result：

cv2。rectangle（img， （ex， ey）， （ex+ew， ey+eh）， （0， 255， 0）， 2）

cv2。imshow（‘video’， img）

k = cv2。waitKey（1）

if k == 27： #按 ‘ESC’ to quit

break

cap。release（）

cv2。destroyAllWindows（）

第二步，就是為模型訓練收集訓練資料，還是透過攝像頭逐幀來收集，在指令碼執行過程中，會提示輸入使用者id，請從0開始輸入，即第一個人的臉的資料id為0，第二個人的臉的資料id為1，執行一次可收集一張人臉的資料

指令碼時間可能會比較長，會將攝像頭每一幀的資料進行儲存，儲存路徑在專案目錄下的Facedat目錄，1200個樣本後退出攝像錄製

import cv2

import os

# 呼叫筆記本內建攝像頭，所以引數為0，如果有其他的攝像頭可以調整引數為1，2

from settings import src

cap = cv2。VideoCapture（0）

face_detector = cv2。CascadeClassifier（src+‘haarcascade_frontalface_default。xml’）

face_id = input（‘n enter user id：’）

print（‘n Initializing face capture。 Look at the camera and wait 。。。’）

count = 0

while True：

# 從攝像頭讀取圖片

sucess， img = cap。read（）

# 轉為灰度圖片

gray = cv2。cvtColor（img， cv2。COLOR_BGR2GRAY）

# 檢測人臉

faces = face_detector。detectMultiScale（gray， 1。3， 5）

for （x， y， w， h） in faces：

cv2。rectangle（img， （x， y）， （x+w， y+w）， （255， 0， 0））

count += 1

# 儲存影象

cv2。imwrite（“。/Facedata/User。” + str（face_id） + ‘。’ + str（count） + ‘。jpg’， gray［y： y + h， x： x + w］）

cv2。imshow（‘image’， img）

# 保持畫面的持續。

k = cv2。waitKey（1）

if k == 27： # 透過esc鍵退出攝像

break

elif count >= 1200： # 得到1000個樣本後退出攝像

break

# 關閉攝像頭

cap。release（）

cv2。destroyAllWindows（）

第三步，對收集下來的人臉資料進行模型訓練，提取特徵，訓練後，會將特徵資料儲存在專案目錄中的face_trainer資料夾下面

import numpy as np

from PIL import Image

import os

import cv2

from settings import src

# 人臉資料路徑

path = ‘Facedata’

recognizer = cv2。face。LBPHFaceRecognizer_create（）

detector = cv2。CascadeClassifier（src+“haarcascade_frontalface_default。xml”）

def getImagesAndLabels（path）：

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

faceSamples = ［］

ids = ［］

for imagePath in imagePaths：

PIL_img = Image。open（imagePath）。convert（‘L’） # convert it to grayscale

img_numpy = np。array（PIL_img， ‘uint8’）

id = int（os。path。split（imagePath）［-1］。split（“。”）［1］）

faces = detector。detectMultiScale（img_numpy）

for （x， y， w， h） in faces：

faceSamples。append（img_numpy［y：y + h， x： x + w］）

ids。append（id）

return faceSamples， ids

print（‘訓練需要一定時間，請耐心等待。。。。’）

faces， ids = getImagesAndLabels（path）

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

recognizer。write（r‘。/face_trainer/trainer。yml’）

print（“{0} faces trained。 Exiting Program”。format（len（np。unique（ids））））

最後一步，人臉測試，我們將攝像頭中的人臉和模型中的特徵進行比對，用來判斷是否為本人

import cv2

from settings import src

recognizer = cv2。face。LBPHFaceRecognizer_create（）

recognizer。read（‘。/face_trainer/trainer。yml’）

cascadePath = src+“haarcascade_frontalface_default。xml”

faceCascade = cv2。CascadeClassifier（cascadePath）

font = cv2。FONT_HERSHEY_SIMPLEX

idnum = 0

names = ［‘andonghui’， ‘admin’］

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）

faces = faceCascade。detectMultiScale（

gray，

scaleFactor=1。2，

minNeighbors=5，

minSize=（int（minW）， int（minH））

）

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］）

if confidence < 100：

idnum = names［idnum］

confidence = “{0}%”。format（round（100 - confidence））

else：

idnum = “unknown”

confidence = “{0}%”。format（round（100 - confidence））

cv2。putText（img， str（idnum）， （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）

cv2。imshow（‘camera’， img）

k = cv2。waitKey（10）

if k == 27：

break

cam。release（）

cv2。destroyAllWindows（）

整個流程並不複雜，可以讓opencv初學者感受一下人臉識別底層的邏輯，說明自研應用還是有一定可操作性的，並不是涉及機器學習的技術就動輒使用百度，阿里雲等三方支援。

最後，送上人臉識別專案地址：

https：//

gitee。com/QiHanXiBei/fa

ce_get/tree/master