python人脸识别从入门到工程实践,Python实现人脸识别

　　前言：让我的电脑认识我。只有我的电脑认识我，才能称之为我的电脑！

　　今天我们用Python实现简单的人脸识别技术！

　　在python中，有很多方法可以实现简单的人脸识别。根据Python glue语言的特点，我们可以通过调用包来快速准确地达到这个目的。这里有一个准确度更高的。

　　欲直接下载源代码文件，关注微信公众号：Python联盟，回复“人脸识别”即可获取~

　　首先梳理一下实现人脸识别需要的步骤：

　　过程大致是这样的。在此之前，要把人的脸准确找出来，也就是能准确区分人脸的分类器。这里可以使用训练好的分类器，网上种类齐全，分类准确率高。在这方面我们也可以节省时间。

　　Ps:博主的宝贝来源已放入以下链接~

　　建议：GitHub项目

　　https://github.com/opencv/opencv/tree/master/data/haarcascades

　　既然用了python，自然要用包。在查看代码之前，让我们列出整个项目所需的包：

　　 CV2(Opencv)：图像识别，相机通话

　　 os：文件操作

　　 numpy：NumPy(数值Python)是Python语言的扩展库，支持大量的维数组和矩阵运算，还提供了大量的数组运算的数学函数库。

　　 PIL：Python图像库，Python平台上图像处理的标准库。

　　2.接下来，1。对比人脸采集# -导入cv2#调用笔记本内置摄像头，参数为0。如果有其他摄像头，参数可以调整为1，2cap=cv2。VideoCapture(0)#来调用面部分类器。若要调整3face _ detector=cv2.cascade分类器(r x:/users/73950/desktop/facerec/Haar cascade _ frontal face _ default . XML )# to be changed #用id face _ id=input (\ n用户数据输入，看着摄像机并等待.)# SampleNum用于计算样本数count=当True: #从相机读取图片成功，Img=cap.read() #转换为灰度图像，降低程序符合性，提高识别度。如果成功为真：gray=cv2.cvtcolor (img，cv2 . color _ bgr 2 gray)Else:break # Detect faces，将各个摄像头记录的数据带入OpenCv，让分类器判断人脸#其中gray为待检测的灰度图像，1.3为各个图像缩小的比例，5为min neighbors faces=face _ detector。检测多尺度(Gray，1.3，5) #框选择人脸，for循环保证可以检测到人脸中(x，y，w，h)的实时动态视频流：#xy为左上角坐标，w为宽，h为高，框架矩形(img，(x，y)，(x w，y w)，(255，0，0) #如果框选择成功，样本数将增加count=1 #。保存图像，将灰度图像作为二维数组检测人脸区域#(这里是建立数据的文件夹，当然也可以设置成另一个路径或者调用数据库)cv2.imwrite (data/user。str (face _ id) . str (count)。jpg ，gray [y: y h，x: x w]) #显示图片cv2.imshow(image ，img) #保留图片。waitkey方法可以绑定键，保证画面可以收回，用Q键K=CV2退出相机。wait key(1 if K== 27 :获取800个样本后，中断#或退出相机。在这里，您可以根据实际情况修改数据量。经过实际测试，800张图像的效果比较理想：elif count=800: break#关闭相机，释放资源。首都Realease () CV2。破坏性的Windows()已经通过了博客的测试，并正在实施。

　　“face _ detector=cv2 . cascadeclsifier(r c:\ users \ admin \ desktop \ python \ data \ Haar cascode _ frontal face _ default . XML )”在这个语句中，实际路径中的目录名尽量不要有汉字，否则容易报错。

　　这样，你的电脑就能看到你啦！

　　2.通过算法建立对比模型。这次用的算法是opencv自带的算法。opencv的较新版本(我用的是2.4.8)提供了一个FaceRecognizer类，里面包含了一些相关的人脸识别算法和函数接口，包括三个人脸识别算法(我们用第一个

　　1 .特征脸

　　2 .渔民脸

　　3.LBPHFaceRecognizer

　　LBP是一种特征提取方法，可以提取图像的局部纹理特征。初始LBP算子在3X3窗口中取中心像素的像素值作为阈值，与周围8个像素的像素值进行比较。如果一个像素的像素值大于阈值，则该像素标记为1，否则标记为0。这样就可以得到一个8位的二进制码，转换成十进制的LBP码，就可以得到这个窗口的LBP值，这个值可以用来反映这个窗口的纹理信息。

　　LBPH是对原始LBP的改进。在opencv的支持下，我们可以直接调用函数来创建LBPH人脸识别的模型。

　　我们在前一部分的同一目录中创建一个名为trainner.py的Python文件，用于编写数据集生成脚本。在同一个目录中，创建一个名为trainner的文件夹来存储我们训练过的识别器。

　　# -用于处理图像# path=data#设置前采集的数据文件的路径#初始化识别的方法recog=cv2 . face . lbphface recognizer _ create()#调用熟悉的人脸分类器detector=cv2.cascade分类器( Haar cascade _ frontal face _ default . XML )#创建从数据集文件夹中获取训练图片的函数， 并获取id#注意图片的命名格式为user . id . samplenumdef get _ images _ and _ labels(path):image_paths=[OS . path . join(path，F) for f in os.listdir(path)] #新建列表存储face_samples=[] ids=[] #遍历图片路径，导入图片和id添加到image _ paths中image _ path的列表：#通过图像路径img=image.open (image _ path)将其转换为灰度图片。 Convert (l) #将图片转换成数组img _ NP=np.array (img， uint 8 )if OS . path . Split(image _ path= jpg :continue #为了得到id，对图片和路径进行拆分，得到id=int(OS . path . Split(image _ path)[-1]。拆分(.)[1])faces=detector . detect multi scale(img _ NP)#将获取的图片和id添加到faces:face _ samples . append(img _ NP[y:y H，x:x w])ids . append(id)return face _ samples，ids #调用该函数并将数据提供给识别器训练打印( training . )faces，IDS=get _ images _ and _ labels(path)#训练模型recog.train (faces，np.array (IDS)) #保存模型recog . save( train ner/train ner . yml )这就让电脑认识到你是与众不同的那颗星~

　　3.识别、检测、验证、输出的过程实际上是识别，与前两个过程不同。这是一个涉及实际使用的过程，所以我们把它放在一个统一的文件里。

　　#-检查、验证并输出结果-导入CV2 #准备识别方法recognizer=CV2 . face . lbphfacecognizer _ create()#使用之前训练好的模型recognizer . read( train ner/train ner . yml )#调用人脸分类器cascade _ frontal face _ default . XML face _ cascade=CV2 . cascade=CV2 . cascade _ path)#再次加载字体进行识别，在图片上标记对象名称font=CV2 . font _ Hershey _ simpleidnum=0 #。设置与ID号对应的用户名，如下所示。例如，0对应于初始名称=[initial ， admin ， user1 ， user2 ，User3]#调用摄像机cam=cv2 . video capture(0)minw=0.1 * cam . get(3)Minh=0.1 * cam . get(4)while true:ret，img=cam . read()gray=cv2 . CVT color(img，2 .cv2。COLOR_BGR2GRAY) #人脸识别faces=face _ cascade。Detect multiscale (gray，scale factor=1.2，minneighbors=5，minsize=(int (minw)，Int(minH))) # check for (x，Y，w，h in faces:cv2 . rectangle(img，(X，Y)，(x w，y h)，(0，255，0)，2) idnum，confidence=recognizer . predict . X:X w)#如果置信度为100:idum=names[idnum]confidence= { 0 } % ，Format (round (100 0，255)，1) cv2.puttext (img，str (confidence)，(x5，y h-5)，font，1，(0，0，0)，1) #显示结果cv2 . imshow(Img)k=cv2 . wait key(20)如果k==27: break #释放资源cam . release()cv2 . destructively windows()现在，你的电脑就能识别出你来啦！

　　其他组合也可以实现上电检测等多种功能。你学会了吗？

　　下面是测试结果和博主审稿时的一些问题~希望对大家有帮助(易)

　　测试结果：

　　博主审稿测试过程中出现的问题：

　　（1）版本问题

　　解决方法：经过博主无数次的失败，建议你最好安装python2.7，可以直接使用pip安装numpy和pip安装opencv-python来安装python版本的numpy和opencv。

　　(如果您使用的是Anaconda2，可以在开始菜单中的Anaconda2文件夹下的Anaconda提示符中输入pip相关命令)

　　点击推文中给出的链接，下载github中的文件放到编译好的文件所在的文件夹中，在代码中更改相关目录。

　　（2）如果提示“module object has no attribute face”

　　解决方法：可以输入pip安装opencv-contrib-python解决问题。如果提示需要佣金，可以添加-user，即pip安装opencv-contrib-python-user。

　　如有其他问题，欢迎随时联系博主~ ~ ~

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。