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識別器并開始訓(xùn)練，當(dāng)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))
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()
來看看識別的結(jié)果：
這就是人臉識別最基本的流程，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識別器并開始訓(xùn)練，當(dāng)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(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。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯(lián)系： 360901061
您的支持是博主寫作最大的動(dòng)力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長非常感激您！手機(jī)微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
