python实现多人脸识别

本篇文章是使用python通过调用电脑摄像头实时检测摄像头画面识别画面中的人脸

这里的python版本是3.9，各个版本思路上相似

我的大体思路是：采集人脸数据---->训练模型---->实现人脸识别

第一步：采集人脸数据

首先要导入cv库

import cv2

如果没有opencv库的话要用pip先安装一个

pip install opencv-python

采集人脸要用到调用摄像头

capture = cv2.VideoCapture(1)

在这里需要说明的是代码后面括号里的数字1代表着调用外接的摄像头，0是调用电脑的摄像头

调用完结束就开始读取画面了

success, frame = capture.read()
# success用来判断摄像头是否调用成功，frame代表捕捉的每一帧图像

读取完之后要转换为灰度图像

转换灰度图像有个好处就是提高图像的准确度，说到灰度就想起来华为之前的一部手机—华为P9，双摄设计，其中一个就是黑白镜头，因为这颗黑白镜头而大大提高了成像质量

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

在这里需要调用一个叫分类器的东西，这个文件我是从官网上下载的

网址：Home - OpenCV

然后点击library---->release

我下载的版本号是4.5.5，仅供参考

下载解压，解压之后进入opencv文件夹，找到这个路径：opencv\sources\data\haarcascades

然后导入分类器

face_detect = cv2.CascadeClassifier('填xml文件路径，例opencv/sources/data/haarcascades/haarcascade_frontalface_alt2.xml')
# 路径要具体到文件然后再跟上文件的名字face = face_detect.detectMultiScale(gray, 1.01, 5, 0, (100, 100), (300, 300))
# 框定人脸区域

然后用for循环实时刷新，注意缩进

for x, y, w, h in face:# x,y指横纵坐标，左上角开始，h为高，w为宽cv2.rectangle(frame, (x, y), (x + w, y + h), color=(0, 0, 225), thickness=2)

然后开启摄像头窗口

# 开启窗口
cv2.imshow('result', frame)

后面再用waitkey保持画面的连续

c = cv2.waitKey(1)

加一个if判断，用来保存捕捉的图片和退出程序

if ord('k') == cv2.waitKey(1):cv2.imwrite('D:/testPhoto/lq/' + str(num) + '.jpg',frame)print(str(num),'保存成功')num += 1
if ord('q') == cv2.waitKey(1):  # 按下q退出break

最后整个文件的代码是这样的：

import cv2num = 1
capture = cv2.VideoCapture(0)  # 0为电脑内置摄像头  使用电脑摄像头时为0，使用外接摄像头时为1
while (True):# 摄像头读取,success为是否成功打开摄像头,true,false。 frame为视频的每一帧图像success, frame = capture.read()# frame = cv2.flip(frame, 1)  # 摄像头是和人对立的，将图像左右调换回来正常显示。# 将采集到的图像转换为灰度图像，提高识别度gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)# 导入分类器face_detect = cv2.CascadeClassifier('D:/code/opencv/sources/data/haarcascades/haarcascade_frontalface_alt2.xml')face = face_detect.detectMultiScale(gray, 1.01, 5, 0, (100, 100), (300, 300))# 框入人脸，for循环用来实时刷新for x, y, w, h in face:# x,y指横纵坐标，左上角开始，h为高，w为宽cv2.rectangle(frame, (x, y), (x + w, y + h), color=(0, 0, 225), thickness=2)# 开启窗口cv2.imshow('result', frame)# 用waitKey保持画面连续c = cv2.waitKey(1)if ord('k') == cv2.waitKey(1):cv2.imwrite('D:/testPhoto/lq/' + str(num) + '.jpg',frame)print(str(num),'保存成功')num += 1if ord('q') == cv2.waitKey(1):  # 按下q退出breakcv2.destroyAllWindows()

while循环是用来保持摄像头画面的，num的作用是用来记录照片保存了多少张

第二步：训练模型

这里需要用到pillow库，需要用到pip下载

pillow简单来说就是可以为python提供图像处理功能

pip install pillow

首先需要用到一行代码，他的功能就是连接目录与文件名或目录，生成一个列表，列举文件夹下所有的文件

ImagePaths = [os.path.join(path, f) for f in os.listdir(path)]

建立一个存放数据的集合

facesSamples = []
ids = []

然后再一次调用分类器

face_detector = cv2.CascadeClassifier()
# 括号内跟分类器路径

然后用for循环遍历所有的图片并且进一步处理图片

    for ImagePath in ImagePaths:# 将图片转换为灰度图片img = Image.open(ImagePath).convert('L')# 将图像转换为数组img_numpy = np.array(img, 'uint8')# 为了获取id，将图片和路径分裂并获取faces = face_detector.detectMultiScale(img_numpy)id = 1# 将获取的图片和id添加到list中for x, y, w, h in faces:ids.append(id)facesSamples.append(img_numpy[y:y + h, x:x + w])print('id:', id)print('fs:', facesSamples)return facesSamples, ids

在末尾部分设置了图片路径和yml文件保存的地址等信息

    # 图片路径path = 'D:/testPhoto/sjs/'# 获取图像数组和id标签数组faces, ids = get_image_lable(path)# 加载识别器recognizer = cv2.face.LBPHFaceRecognizer_create()# 训练模型recognizer.train(faces, np.array(ids))# 保存模型recognizer.write('D:/testPhoto/sjs/train.yml')

训练模型这部分整体的代码是这样子的

import cv2
import os
from PIL import Image
import numpy as npdef get_image_lable(path):ImagePaths = [os.path.join(path, f) for f in os.listdir(path)]# 新建集合存放数据facesSamples = []ids = []# 调用分类器face_detector = cv2.CascadeClassifier('D:/code/opencv/sources/data/haarcascades/haarcascade_frontalface_alt2.xml')for ImagePath in ImagePaths:# 将图片转换为灰度图片img = Image.open(ImagePath).convert('L')# 将图像转换为数组img_numpy = np.array(img, 'uint8')# 为了获取id，将图片和路径分裂并获取faces = face_detector.detectMultiScale(img_numpy)id = 1# 将获取的图片和id添加到list中for x, y, w, h in faces:ids.append(id)facesSamples.append(img_numpy[y:y + h, x:x + w])print('id:', id)print('fs:', facesSamples)return facesSamples, idsif __name__ == '__main__':# 图片路径path = 'D:/testPhoto/sjs/'# 获取图像数组和id标签数组faces, ids = get_image_lable(path)# 加载识别器recognizer = cv2.face.LBPHFaceRecognizer_create()# 训练模型recognizer.train(faces, np.array(ids))# 保存模型recognizer.write('D:/testPhoto/sjs/train.yml')cv2.destroyAllWindows()

第三步：实时识别

这里识别人脸采用的算法是LBPH

recognizer_sjs = cv2.face.LBPHFaceRecognizer_create()
recognizer_jhs = cv2.face.LBPHFaceRecognizer_create()

recognizer_sjs这个是我自己起的名字，可以根据个人喜好更换

将之前训练好的模型导入

recognizer_sjs.read('D:/train.yml/')

具体的路径因人而异

到这一步，再次调用分类器

cascade_path = "D:/code/opencv/sources/data/haarcascades/haarcascade_frontalface_alt2.xml"
face_cascade = cv2.CascadeClassifier(cascade_path)

设置好名字，可能是我的原因，在我的电脑上没办法用中文的字体标注出来，所以建议还是用英文的字体

idum_sjs = 0
idum_jhs = 1
names = ['fxxtsjs','jhs']

这里的idum后面设定的数字和下面的name是对应的，比如说我这个设定的idum_sjs名字就是fxxtsjs，往下顺延即可

加载标注名字所用的字体，我选择的是opencv自带的

font = cv2.FONT_HERSHEY_SIMPLEX

然后就可以打开摄像头了

cam = cv2.VideoCapture(0)
minW = 0.1 * cam.get(3)
minH = 0.1 * cam.get(4)

下面需要添加一个while循环，用来确保摄像头画面连续不间断

while True:ret, img = cam.read()gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 识别人脸faces = face_cascade.detectMultiScale(gray,scaleFactor=1.2,minNeighbors=5,minSize=(int(minW), int(minH)))

紧接着添加一个for循环，让识别的框一直出现在画面上

for (x, y, w, h) in faces:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)idnum_sjs, confidence_sjs = recognizer_sjs.predict(gray[y:y + h, x:x + w])idnum_jhs, confidence_jhs = recognizer_jhs.predict(gray[y:y + h, x:x + w])

然后开始计算识别结果

if confidence_sjs < 50:idnum_sjs = names[idum_sjs]cv2.putText(img, str(idnum_sjs), (x + 5, y - 5), font, 1, (0, 0, 255), 1)
elif confidence_jhs < 50:idnum_jhs = names[idum_jhs]cv2.putText(img, str(idnum_jhs), (x + 5, y - 5), font, 1, (0, 0, 255), 1)
else:idnum = 'unknown'

最后展现画面

cv2.imshow('camera', img)

实时识别的整体代码如下

# -----检测、校验并输出结果-----
import cv2# 准备识别方法
recognizer_sjs = cv2.face.LBPHFaceRecognizer_create()
recognizer_jhs = cv2.face.LBPHFaceRecognizer_create()
# 引用之前的模型
recognizer_sjs.read('D:/testPhoto/sjs/train.yml/')
recognizer_jhs.read('D:/testPhoto/jhs/train.yml/')
# 调用人脸分类器
cascade_path = "D:/code/opencv/sources/data/haarcascades/haarcascade_frontalface_alt2.xml"
face_cascade = cv2.CascadeClassifier(cascade_path)
# 加载一个字体，以便标注
font = cv2.FONT_HERSHEY_SIMPLEX
# 设置ID与标注的name
idum_sjs = 0
idum_jhs = 1
names = ['fxxtsjs','jhs']# 调用摄像头
cam = cv2.VideoCapture(0)
minW = 0.1 * cam.get(3)
minH = 0.1 * cam.get(4)while True:ret, img = cam.read()gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 识别人脸faces = face_cascade.detectMultiScale(gray,scaleFactor=1.2,minNeighbors=5,minSize=(int(minW), int(minH)))# 进行校验for (x, y, w, h) in faces:cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)idnum_sjs, confidence_sjs = recognizer_sjs.predict(gray[y:y + h, x:x + w])idnum_jhs, confidence_jhs = recognizer_jhs.predict(gray[y:y + h, x:x + w])# 计算出一个检验结果if confidence_sjs < 50:idnum_sjs = names[idum_sjs]# 注上姓名cv2.putText(img, str(idnum_sjs), (x + 5, y - 5), font, 1, (0, 0, 255), 1)elif confidence_jhs < 50:idnum_jhs = names[idum_jhs]# 注上姓名cv2.putText(img, str(idnum_jhs), (x + 5, y - 5), font, 1, (0, 0, 255), 1)else:idnum = 'unknown'# 展示结果cv2.imshow('camera', img)k = cv2.waitKey(20)if k == 27:breakelif ord('q') == cv2.waitKey(1):  # 按下q退出break# 释放资源
cam.release()
cv2.destroyAllWindows()

我做出来的效果是这样的

最后提几点注意的地方：

1.人脸识别是我自己第一次做，所以上面的这些代码还有些不完美的地方，欢迎大家在评论区留言并提出宝贵的意见，我会认真阅读并采纳

2.这段代码可以实现录入多个人脸，并且可以同时实时识别，添加其他人脸的时候需要注意路径的正确与否，第三部添加多个人脸的地方就是在几乎每个出现sjs和jhs的地方，第三步添加人脸需要改动的好像有准备识别方法中的recognize，下面的id名字，name中的名称以及标注姓名那里

python实现多人脸识别相关推荐

python好学吗小木虫-25行Python代码完成人脸识别
以下是Shantnu Tiwari的客座文章,作者有着在底层编程和嵌入式领域十年的工作经验.在发现Python语言之前的几年时间里,Shantnu Tiwari一直忍受着C/C++语言编程的不便,但P ...
基于Python的开源人脸识别库：离线识别率高达99.38%
基于Python的开源人脸识别库:离线识别率高达99.38% 2019年04月18日 18:13:18 AI终结者阅读数 1233 项目地址:https://github.com/ageitgey/ ...
人脸识别python face_recognize_【python+face_recognition】人脸识别初始
[python+face_recognition]人脸识别初始发布时间:2018-09-01 12:03, 浏览次数:366 , 标签: python face recognition face_r ...
Python人脸识别教程 - 基于Python的开源人脸识别库：离线识别率高达99.38%
Python人脸识别教程 - 基于Python的开源人脸识别库:离线识别率高达99.38% 仅用 Python 和命令行就可以实现人脸识别的库开源了.该库使用 dlib 顶尖的深度学习人脸识别技术构建 ...
python简单的人脸识别系统（PCA+逻辑回归）
python简单的人脸识别系统(PCA+逻辑回归) 数据集:ORL人脸库特征提取:PCA降维,将112*92降成30 分类器:逻辑回归 ** 代码: from tkinter import * fr ...
Python简单实现人脸识别检测, 对照片进行评分
大家好,今天和大家说说如何用Python简单实现人脸识别检测, 对照片进行排名,看看自己有多漂亮. [开发环境]: Python 3.8 Pycharm 2021.2 [模块使用]: requests ...
【Python】基于人脸识别的智能考勤系统（Pyqt5+MySQL+Opencv） [PC端部分-已附源码]
[Python]基于人脸识别的考勤系统 [PC端部分] 一.项目简介本项目编程语言Python3.6,编程工具pycharm,其他工具QT Designer.Navicat,表单信息保存在本地MyS ...
python模块cv2人脸识别_手把手教你使用OpenCV，Python和深度学习进行人脸识别
使用OpenCV,Python和深度学习进行人脸识别在本教程中,你将学习如何使用OpenCV,Python和深度学习进行面部识别.首先,我们将简要讨论基于深度学习的面部识别,包括"深度度量 ...
3行Python代码完成人脸识别
Face Recognition软件包这是世界上最简单的人脸识别库了.你可以通过Python引用或者命令行的形式使用它,来管理和识别人脸. 该软件包使用dlib中最先进的人脸识别深度学习算法,使得识 ...
python怎么另起一行阅读答案_使用Python+Dlib构建人脸识别系统（在Nvidia Jetson Nano 2GB开发板上）...
Nvidia Jetson Nano 2GB开发板是一款新的单板机售价59美元运行带有GPU加速的人工智能软件.在2020年你可以从一台售价59美元的单板计算机中获得令人惊叹的性能让我们用它来 ...

python实现多人脸识别

python实现多人脸识别相关推荐

最新文章

热门文章