python opencv 人臉識別

python opencv 人臉識別

人臉識別個人理解就是分幾個步驟，1 找素材，讓程序學習得到不同人的不同人臉特點，2，傳入圖片開始識別

這里先展示一下文件目錄

 

 test_data是測試人臉的圖片，images里有兩個文件夾，每一個文件夾對應着一個人，里面都是那個人的人臉圖像

 

 使用opencv開發人臉識別，首先下載對應的包

pip install opencv-python
pip install opencv-contrib-python

然后開始上代碼

# # -*- coding:utf-8 -*-
import cv2
import os
import numpy as np


# 檢測人臉
def detect_face(img):
    # 將測試圖像轉換為灰度圖像，因為opencv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('./xml/haarcascade_frontalface_default.xml')
    # 檢測多尺度圖像，返回值是一張臉部區域信息的列表（x,y,寬,高）
    face = 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(face) > 0:
        # 目前假設只有一張臉，xy為左上角坐標，wh為矩形的寬高
        (x, y, w, h) = face[0]
        # 返回圖像的正面部分
        return gray[y:y + w, x:x + h], face[0]
    else:
        return None, None


# 該函數將讀取所有的訓練圖像，從每個圖像檢測人臉並將返回兩個相同大小的列表，分別為臉部信息和標簽
def prepare_training_data(data_folder_path):
    # 獲取數據文件夾中的目錄（每個主題的一個目錄）
    dirs = os.listdir(data_folder_path)
    # 兩個列表分別保存所有的臉部和標簽
    faces = []
    labels = []
    # 瀏覽每個目錄並訪問其中的圖像
    for dir_name in dirs:
        # dir_name(str類型)即標簽
        label = int(dir_name)
        # 建立包含當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的圖像名稱
        subject_images_names = os.listdir(subject_dir_path)
        # 瀏覽每張圖片並檢測臉部，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並添加相應的標簽
                faces.append(face)
                labels.append(label)
                cv2.waitKey(1)
                cv2.destroyAllWindows()
    # 最終返回值為人臉和標簽列表
    return faces, labels


# 調用prepare_training_data（）函數
faces, labels = prepare_training_data("images")
# 創建LBPH識別器並開始訓練，當然也可以選擇Eigen或者Fisher識別器
face_recognizer = cv2.face.LBPHFaceRecognizer_create()
face_recognizer.train(faces, np.array(labels))


# 根據指定的坐標和寬高在圖片上繪制矩形
def draw_rectangle(img, rect):
    (x, y, w, h) = rect
    cv2.rectangle(img, (x, y), (x + w, y + h), (128, 128, 0), 2)


# 根據給定的（x，y）坐標標識出人名
def draw_text(img, text, x, y):
    cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (128, 128, 0), 2)


# 建立標簽和人名的映射表
subjects = ["yangmi", "liuyifei"]


def predict(test_img):
    # 生成圖片的副本，這樣就可以保留原始圖片
    img = test_img.copy()
    # 檢測人臉
    face, rect = detect_face(img)
    print(face)
    print(rect)
    # 預測人臉
    label = face_recognizer.predict(face)
    print(label)
    # 判斷是否識別成功
    if label:
        # 獲取由人臉識別器返回的相應的標簽名稱
        label_text = subjects[label[0]]
        # 在檢測到的臉部周圍繪制一個矩形
        draw_rectangle(img, rect)
        # 標出預測的名字
        draw_text(img, label_text, rect[0], rect[1] - 5)
        # 返回預測圖像
        return img
    # else:
    #     print(img)
    #     # 在檢測到的臉部周圍繪制一個矩形
    #     draw_rectangle(img, rect)
    #     # 標出預測的名字
    #     draw_text(img, "unkonwn", rect[0], rect[1] - 5)
    #     # 返回預測圖像
    #     return img


test_img1 = cv2.imread("test_data/5.jpg")
test_img2 = cv2.imread("test_data/6.jpg")
predicted_img1 = predict(test_img1)
predicted_img2 = predict(test_img2)
cv2.imshow(subjects[0], predicted_img1)
cv2.imshow(subjects[1], predicted_img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

最后結果為

 

 這個是識別率很低很低