前言：

虽然本段代码的目标是准确率计算，但识别率只是提供了一个简单的思路，单纯计算了正确的概率。代码的主要部分还是图片的匹配识别内容，所有的代码块都有响应的详尽解释，适合初期接触和了解的learner阅读。
在后续准备训练数据时繁琐的工作令人头大，准备了几十个图像就花去了我大半时间，图像处理中往往需要大量图片进行训练，显然这种情况下这种方法是不可行的，不过目前也是一种思路，接下来在接触的过程中会继续了解相关的计算和评测方法，争取找到最佳，计算效果最好的方法进行准确率的计算。本人也是才接触这部分内容，了解内容有限，大家有比较好的方法方式欢迎评论交流。

文章目录

前言：
1 概率计算公式
2 实现代码部分

1 概率计算公式

实现自动计算识别准确概率：

rate=nr/(nc−nu)rate = n^r/(n^c-n^u) rate=nr/(nc−nu)
其中，上式rate为识别准确概率， n^r为正确识别人脸图片个数，n^c为文件夹下图片总数量，n^u为未识别到人脸区域图像数量。

2 实现代码部分

该方法正确计算前提是：**将测试图像和训练的图像分辨放在一个文件夹下，并将测试图像与已有的训练图像使用相同的图片文件名称和格式。**因为我目前采取的是将图片名称作为图像是否正确识别判断的根据，根据测试图像名称和匹配的图像名称是否相同，判断识别是否正确。也尝试过使用面部编码数据是否相等进行判断，测试结果显然，这种方式是不可行的，因为同一个人在不同照片中由于角度或者场景等各种因素的影响，编码方式不可能完全相同。
识别方法采用：opencv + face_recognition
识别率计算代码如下：

"""
import os
# class TestAccuracyRate():
import cv2
import face_recognition
import numpy as npdef trainImage():train_dir = 'rate_train_data' # 训练文件夹# 将训练文件夹下的图片放到一个列表中train_image_list = os.listdir(train_dir)print("训练图片数量：%s"%len(train_image_list))# 定义空列表，存放文读取的图片名称train_image_names_list = []# 存放读取的图片相对路径train_image_paths_list = []# 存放图片转化的numpy数组train_image_rec_list = []# 存放每个图片面部编码的第一个面部编码信息train_image_encodings_list = []'源文件读取训练数据'# 遍历列表，读取列表中的训练图片文件名for per_image in train_image_list:name = per_image.strip('.jpg')# print(name)train_image_names_list.append(name)  # 将读取的图片名称添加到预先定义好的列表中# 设定每幅图片的相对路径，根据路径读取每幅图片train_per_image_path = os.path.join(train_dir,per_image)train_image_paths_list.append(train_per_image_path) #将每幅图片的路径添加到预先定义好的列表中# 加载训练图像通过face_recognition学习如何识别它,将文档加载到numpy数组中,以便计算机进行识别。train_per_image_rec = face_recognition.load_image_file(train_per_image_path)train_image_rec_list.append(train_per_image_rec)# print(train_per_image_rec[0])# 获取每个图像面部编码信息train_per_image_encoding = face_recognition.face_encodings(train_per_image_rec)[0]# print("训练图片%s人脸检测完成"%name)train_image_encodings_list.append(train_per_image_encoding)# print(train_per_image_encoding)# print(train_image_names_list)return train_image_names_list,train_image_encodings_listdef testImage():'进行测试文件的自动读取'# 测试图片路径test_dir = 'rate_test_data' # 测试文件夹# 将测试图片名称读取到一个列表中test_image_list = os.listdir(test_dir)# print(test_image_list)# 获取测试图像总数量test_date_num = len(test_image_list)print('测试图片数量为：%s 张'%test_date_num)# 读取训练数据train_image_names_list, train_image_encodings_list = trainImage()print('========================')print("源文件读取完成。。。")# 设置初始人脸识别成功个数为0reco_count = 0 # 成功识别人脸识别数decate_count = 0 # 未成功识别人脸图片数right_reco_count = 0 #正确匹配人脸图片数undecate_count = 0  # 未成功检测到人脸数量unsuccess_reco_count =0 # 未成功识别人人脸数量unsuccess_reco_name_count = []  # 未成功识别人脸列表undecate_name_list = []  # 未成功检测人脸列表false_right_reco_name_list = [] # 识别并匹配成功，但未正确匹配人脸图片列表print("图像识别中。。。")# 遍历列表，进行测试图片处理for per_image in test_image_list:# 图像名称以人物名命名，读取人物名name = per_image.strip('.jpg')# 图像的相对路径test_per_image_path = os.path.join(test_dir, per_image)# cv读取图片，图像为bgr方式per_image_cv = cv2.imread(test_per_image_path)# print(per_image_cv)# cv2.imshow('per_image_cv',per_image_cv)# cv2.cvtColor()：颜色空间转换函数。把图像从RGB转换到RGB颜色空间，对图片进行预处理。per_image_cvcolor = cv2.cvtColor(per_image_cv,cv2.COLOR_BGR2RGB)# cv2.imshow('per_image_cvcolor', per_image_cvcolor)# cv2.waitKey(0)# 获取图像面部编码中的面部编码信息'此处图片没有检测到人脸时往下执行则会报错，需要在下一步之前增加判断条件：是否检测到人脸信息！'per_image_encoding = face_recognition.face_encodings(per_image_cvcolor)# print(per_image_encoding)'判断条件：图片人脸编码是否为空！'if len(per_image_encoding)>0:decate_count+=1# 获取检测到人脸时面部编码信息中数组0位置面部编码per_image_encoding = per_image_encoding[0]"图像人脸识别部分代码，同时使用compare_faces和face_distance方法提高训练结果准确度。"# 根据面部编码匹配脸，布尔类型列表matchs_bool_list = face_recognition.compare_faces(train_image_encodings_list,per_image_encoding,tolerance=0.46)print(matchs_bool_list)print(train_image_names_list)# 根据面孔之间的欧氏距离，返回一个数值列表face_distances_list = face_recognition.face_distance(train_image_encodings_list,per_image_encoding)# 根据欧式距离，查找最相似面孔的索引print(face_distances_list)best_match_index = np.argmin(face_distances_list)print(best_match_index)# print(train_image_names_list[best_match_index])print("name:%s,match_name:%s" % (name, train_image_names_list[best_match_index]))if matchs_bool_list[best_match_index]:match_name = train_image_names_list[best_match_index]# best_match_encoding = train_image_encodings_list[best_match_index]print('匹配人物姓名：%s'%match_name)reco_count+=1else:unsuccess_reco_count+=1unsuccess_reco_name = name+'.jpg'unsuccess_reco_name_count.append(unsuccess_reco_name)match_name = 'unknown_person'# 设置文件名相同，根据文件名测试准确识别if name == match_name:right_reco_count+=1else:false_right_reco_name = name+'.jpg'false_right_reco_name_list.append(false_right_reco_name)else:undecate_count+=1undecate_name = name+'.jpg'undecate_name_list.append(undecate_name)print("图片%s.jpg未检测到有效人脸区域,请检测上传图片是否为人脸正面区域！"%name)# print("识别完成！")print("成功检测人脸图片数量：%s,未检测到人脸图片数量：%s || 成功识别成功匹配人脸数量:%s,成功识别未成功匹配到人脸图片数量%s || 正确匹配人脸图片数量：%s"%(decate_count,undecate_count,reco_count,unsuccess_reco_count,right_reco_count))# print("成功匹配人脸数量:%s"%reco_count)# print("正确匹配人脸图片数量：%s"%right_reco_count)print("成功识别未成功匹配到人脸图片名称列表：%s"%(unsuccess_reco_name_count))print("识别匹配成功，但未正确匹配人脸图片名称列表：%s" % (false_right_reco_name_list))print("未成功检测人脸图片名称列表：%s" % (undecate_name_list))reco_rate = reco_count / (test_date_num - undecate_count)# print("识别完成！识别成功率为：%s%%" % (reco_rate * 100))  # 识别准确率百分号显示right_reco_rate = right_reco_count / (test_date_num - undecate_count)print("识别完成！识别成功率为：%s%%,识别人物姓名准确匹配率为：%s%%" % ((reco_rate * 100),(right_reco_rate * 100)))  # 识别准确率百分号显示
# cv2.destroyAllWindows()

人脸识别准确概率计算——超详细相关推荐

OpenCV Python 人脸识别签到系统（超详细注释）
文章目录前言 1.1 具体功能描述 1.2 使用注意事项 2.1 具体代码实现 2.1.1 视频截取人脸代码 2.1.2 人脸识别代码总结前言代码实现并不难,个人觉得本项目最大的难点在装库上, ...
AI 实战篇｜基于 AI开放平台实现人脸识别对比功能，超详细教程【附带源码】
【java】调用百度开发平台ai接口，完成人脸识别（人脸搜索、人脸对比、人脸检测等）功能--------超详细，适合小白
基本流程理解: 我们要使用百度提供的接口去实现某些功能,大致流程如下: 1.注册百度开放平台帐号: 浏览器打开http://ai.baidu.com/,进入百度ai的页面,点击右上角的控制台按钮进行登 ...
人脸识别：史上最详细人脸识别adaface讲解-ckpt转onnx模型--第三节
这章节我会讲解的是我在工作上的项目,人脸识别adaface,以下的讲解为个人的看法,若有地方说错的我会第一时间纠正,如果觉得博主讲解的还可以的话点个赞,就是对我最大的鼓励~ 上一章节我们讲到了模型的训 ...
好玩的人脸识别face_recognition安装+尝试+API详细
face_recognition是一个可玩度很高的人脸识别开源框架,不仅安装方便,运行起来也很轻松. 官网:https://github.com/ageitgey/face_recognition.g ...
uboot移植之修改支持NandFlash识别篇6（超详细）
uboot移植之前期准备篇1 uboot移植之Makefile分析概述篇2 boot移植之init_sequence_f函数数组分析(番外篇) uboot移植之源码流程分析篇3(超详细!) uboot ...
人脸识别：史上最详细人脸识别adaface讲解-模型训练与测试--第二节
这章节我会讲解的是我在工作上的项目,人脸识别adaface,以下的讲解为个人的看法,若有地方说错的我会第一时间纠正,如果觉得博主讲解的还可以的话点个赞,就是对我最大的鼓励~ 上一章节,我们谈到了如何下 ...
python人脸识别教程_50行Python代码+OpenCV实现人脸识别！史上最详细的教程！
环境拓扑: 操作系统:windows7 python版本:2.7.14 opencv版本:3.x 环境配置: 1.安装python(额...这个当我没说) 2.安装Opencv 这个从官网下载就OK啦 ...
超详细基于MATLAB的人脸考勤识别系统
基于MATLAB的人脸考勤识别系统摘要人脸识别是模式识别和图像处理等学科的一个研究热点,它广泛应用在身份验证.刑侦破案.视频监视.机器人智能化和医学等领域,具有广阔的应用价值和商用价值.人脸特征 ...

人脸识别准确概率计算——超详细

前言：

文章目录

1 概率计算公式

2 实现代码部分

人脸识别准确概率计算——超详细相关推荐

最新文章

热门文章