共计 6133 个字符，预计需要花费 16 分钟才能阅读完成。
开课吧 -WEB 全栈架构师进阶指南(30 期)
download：网盘链接
手把手教使用 python 实现人脸识别
什么是人脸识别
人脸识别，是基于人的脸部特色信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并主动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相干技术，通常也叫做人像识别、面部识别。
目前的人脸识别技术已经非常成熟了，还发展成 3D 人脸识别。而且现在各大厂商也都提供了人脸识别的 API 接口供咱们调用，可能说几行代码就可能实现人脸识别。然而人脸识别的根本还是基于图像处理。在 Python 中最弱小的图像处理库就是 OpenCV。
OpenCV 简介
OpenCV 是一个基于 BSD 许可（开源）发行的跨平台计算机视觉库，可能运行在 Linux、Windows、Android 和 Mac OS 操作系统上。OpenCV 可用于开发实时的图像处理、计算机视觉以及模式识别程序。它轻量级而且高效——由一系列 C 函数和大量 C++ 类形成，同时提供了 Python、Ruby、MATLAB 等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
OpenCV 基本使用
安装
pip install opencv-python # 基础库
pip install opencv-contrib-python # 扩大库
pip install opencv-python-headless
复制代码
读取图片
读取和浮现图片是最基本的操作了，OpenCV 当中使用 imread 和 imshow 实现该操作
import cv2 as cv
读取图片，路径不能含有中文名，否则图片读取不进去
image = cv.imread(‘1111.jpg’)
浮现图片
cv.imshow(‘image’, image)
等待键盘输入，单位是毫秒，0 示意有限等待
cv.waitKey(0)
因为最终调用的是 C ++ 对象，所以使用完要开释内存
cv.destroyAllWindows()
复制代码
将图片转为灰度图
OpenCV 中数百中对于不同色彩控件之间转换的方法。目前最罕用的有三种：灰度、BGR、HSV。
灰度色彩空间是通过去除黑白信息来讲图片转换成灰阶，灰度图会大量缩小图像处理中的色彩处理，对人脸识别很无效。
BGR 每个像素都由一个三元数组来示意，别离代码蓝、绿、红三种色彩。python 中还有一个库 PIL，读取的图片通道是 RGB，其实是一样的，只是色彩次序不一样
HSV，H 是色调，S 是饱和度，V 是光明的程度
将图片转换为灰度图
import cv2 as cv
读取图片，路径不能含有中文名，否则图片读取不进去
image = cv.imread(‘1111.jpg’)
cv2 读取图片的通道是 BGR，
PIL 读取图片的通道是 RGB
code 抉择 COLOR_BGR2GRAY，就是 BGR to GRAY
gray_image = cv.cvtColor(image, code=cv.COLOR_BGR2GRAY)
浮现图片
cv.imshow(‘image’, gray_image)
等待键盘输入，单位是毫秒，0 示意有限等待
cv.waitKey(0)
因为最终调用的是 C ++ 对象，所以使用完要开释内存
cv.destroyAllWindows()
复制代码
绘制矩形
image = cv.imread(‘1111.jpg’)
x, y, w, h = 50, 50, 80, 80
绘制矩形
cv.rectangle(image, (x, y, x+w, y+h), color=(0, 255, 0), thickness=2)
绘制圆形
cv.circle(image, center=(x + w//2, y + h//2), radius=w//2, color=(0, 0, 255), thickness=2)
cv.imshow(‘image’, image)
cv.waitKey(0)
cv.destroyAllWindows()
复制代码
人脸检测
人脸检测实际上是对图像提取特色，Haar 特色是一种用于实现实时人脸跟踪的特色。每个 Haar 特色都描述了相邻图像区域的对比模式。比如边、定点和细线都能生成具备判断性的特色。OpenCV 给咱们提供了 Haar 特色数据，在 cv2/data 目录下，使用特色数据的方法 def detectMultiScale(self, image, scaleFactor=None, minNeighbors=None, flags=None, minSize=None, maxSize=None)
scaleFactor: 指定每个图像比例缩小几图像
minNeighbors: 指定每个候选矩形必须保留几个街坊，值越大说明精度申请越高
minSize：检测到的最小矩形大小
maxSize: 检测到的最大矩形大小
检测图片中人脸
import os
import cv2 as cv
def face_detect_demo(image):
# 将图片转换为灰度图
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
# 加载特色数据
face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml'))
faces = face_detector.detectMultiScale(gray)
for x, y, w, h in faces:
cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)读取图片，路径不能含有中文名，否则图片读取不进去
image = cv.imread(‘2222.jpg’)
face_detect_demo(image)
浮现图片
cv.imshow(‘image’, image)
等待键盘输入，单位是毫秒，0 示意有限等待
cv.waitKey(0)
因为最终调用的是 C ++ 对象，所以使用完要开释内存
cv.destroyAllWindows()
复制代码
采纳默认参数，检测人脸数据不全，需要调整 detectMultiScale 函数的参数，调整为 faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3)
咱们发现除了检测到人脸数据，还有一些其余的脏数据，这个时候可能打印检测出的人脸数据地位和大小
faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3)
for x, y, w, h in faces:
print(x, y, w, h) # 打印每一个检测到的数据地位和大小
cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)复制代码
从大小中咱们看到最大的两个矩形，刚好是人脸数据，其余都是脏数据，那么持续修改函数参数 faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3, minSize=(80, 80))
检测视频中人脸
视频就是一张一张的图片组成的，在视频的帧下面重复这个过程就能实现视频中的人脸检测了。视频读取 OpenCV 为咱们提供了函数 VideoCapture，参数可能是视频文件或者 0（示意调用摄像头）
import cv2 as cv
人脸检测
def face_detect_demo(image):
try:
# 将图片转换为灰度图
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
# 加载特色数据
face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml'))
faces = face_detector.detectMultiScale(gray)
for x, y, w, h in faces:
print(x, y, w, h)
cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)
except Exception as e:
passcap = cv.VideoCapture(‘ 人脸识别.mp4’)
while cap.isOpened():
flag, frame = cap.read()
face_detect_demo(frame)
cv.imshow('result', frame)
if ord('q') == cv.waitKey(5):
breakcap.realse()
cv.destroyAllWindows()
复制代码
这个咱们是做的人脸识别，怎么把爱好都识别了，这么先进吗？很显然这不太符合咱们的申请，爱好只能藏在心里，你给我检测进去就不行了。所以咱们必须要进行优化处理。OpenCV 为咱们提供了一个机器学习的小模块，咱们可能锤炼它，让它只识别咱们需要的部分，不要乱猜测。
锤炼数据
锤炼数据就是咱们把一些图片交给锤炼模型，让模型熟悉她，这样它就能更加准确的识别雷同的图片。锤炼的数据一般咱们可能从网上搜寻：人脸识别数据库，或者从视频中保存美帧的数据作为锤炼集。所有的人脸识别算法在他们的 train()函数中都有两个参数：图像数组和标签数组。这些标签标示进行识别时候的人脸 ID，根据 ID 可能知道被识别的人是谁。
获取锤炼集
从视频中每隔 5 帧截取一个图片，保存成图片
import cv2
cap = cv2.VideoCapture(‘ 人脸识别.mp4’)
number = 100
count = 1
while cap.isOpened() and number > 0:
flag, frame = cap.read()
if not flag:
break
if count % 5 == 0:
# 按照视频图像中人脸的大抵地位进行裁剪，只取人脸部分
img = frame[70:280, 520:730]
cv2.imwrite('data/{}.png'.format(number), img)
number -= 1
count += 1cap.release()
cv2.destroyAllWindows()
复制代码
使用 LBPH 锤炼模型
def getImageAndLabels(path_list):
faces = []
ids = []
image_paths = [os.path.join(path_list, f) for f in os.listdir(path_list) if f.endswith('.png')]
face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml'))
for image in image_paths:
img = cv.imread(image)
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
faces = face_detector.detectMultiScale(gray)
_id = int(os.path.split(image)[1].split('.')[0])
for x, y, w, h in faces:
faces.append(gray[y:y+h, x:x+w])
ids.append(_id)
return faces, idsfaces, ids = getImageAndLabels(‘data’)
锤炼
recognizer = cv.face.LBPHFaceRecognizer_create()
recognizer.train(faces, np.array(ids))
保存锤炼特色
recognizer.write(‘trains/trains.yml’)
复制代码
基于 LBPH 的人脸识别
LBPH 将检测到的人脸分为小单元，并将其与模型中的对应单元进行比较，对每个区域的匹配值产生一个直方图。调整后的区域中调用 predict 函数，该函数返回两个元素的数组，第一个元素是所识别的个体标签，第二个元素是置信度评分。所有的算法都有一个置信度评分阈值，置信度评分用来衡量图像与模型中的差距，0 示意残缺匹配。LBPH 有一个好的识别参考值要低于 50。基本步骤为：
cv.VideoCapture 读取视频
Haar 算法检测人脸数据
基于 LBPH 锤炼集失去准确人脸数据，并输入标记此人是谁
按置信度取精确度高的人脸标记进去
import os
import cv2 as cv
def face_detect_demo(image):
try:
global number
# 将图片转换为灰度图
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
# 加载特色数据
faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3)
for x, y, w, h in faces:
# 获取置信度，大于 80 示意取值谬误
_id, confidence = recognizer.predict(gray[y:y + h, x:x + w])
if confidence < 80:
cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)
except Exception as e:
passdef check_face():
cap = cv.VideoCapture('人脸识别.mp4')
while cap.isOpened():
flag, frame = cap.read()
if not flag:
break
face_detect_demo(frame)
cv.imshow('img', frame)
cv.waitKey(2)
cv.destroyAllWindows()if name == ‘__main__’:
# 加载锤炼数据文件
recognizer = cv.face.LBPHFaceRecognizer_create()
recognizer.read('trains/trains.yml')
face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml'))
check_face()复制代码
总结
通过下面一步步的学习，你是不是对 OpenCV 人脸识别有个基本的意识了呢? 然而咱们也看到了，整个人脸识别的次要算法还是基于 Haar，而且精确度并不是特地高，次要是会检测出很多非人脸的数据。LBPH 是让咱们给某个人脸进行标记，告诉咱们他是谁，并没有提高实际的检测精确度。现在机器学习是非常火爆的，基于 OpenCV 的机器学习人脸识别也准确度也很高，下次咱们在来对比几种机器学习人脸识别的库。