OpenCv人脸识别开发实战

一、OpenCV简介

OpenCV（全称：Open Source Computer Vision Library），是一个跨平台的计算机视觉库。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。
OpenCV用C++语言编写，它的主要接口也是C++语言，但是依然保留了大量的C语言接口。该库也有大量的Python、Java和MATLAB/OCTAVE(2.5)的接口。如今也提供对于C#、Ch、Ruby、GO的支持。

二、OpenCV的基本使用

1.安装OpenCV模块

pip install opencv-python

2.读取图片

显示图像是OpenCV最基本的操作之一，imshow()函数可以实现该操作。imshow()函数有两个参数：显示图像的帧名称以及要显示的图像本身。
如果直接调用imshow()函数，只能短暂地显示图像。要保证图像一直在窗口上显示，要通过waitKey()函数。waitKey()函数的参数为等待键盘触发的时间，单位为毫秒，返回值为-1（表示没有键被按下）。

示例代码：

# 导入模块
import cv2 as cv# 读取图片
image = cv.imread('test.png')  # 路径中不能有中文，否则加载图片失败
# 显示图片
cv.imshow('read_img', image)
# 等待键盘输入 单位毫秒 传入0则是无限等待
cv.waitKey(0)
# 由于OpenCV底层是C++编写的，需要释放内存
cv.destroyAllWindows()

测试图片：

测试效果：

3.图片灰度转换

OpenCV中有数百种关于在不同色彩空间之间转换的方法。当前，在计算机视觉中有三种常用的色彩空间：灰度、BGR以及HSV（Hue，Saturation，Value）。

灰度色彩空间是通过去除彩色信息来将其转换成灰阶，灰度色彩空间对中间处理特别有效，比如人脸识别。

BGR即蓝、绿、红色彩空间，每一个像素点都由一个三元数组来表示，分别代表蓝、绿、红三种颜色。网页开发者可能熟悉另一个与之相似的颜色空间——RGB，它们只是颜色顺序不同。

HSV，H（Hue）是色调，S（Saturation）是饱和度，V（Value）表示黑暗的程度（或光谱另一端的明亮程度）。

灰度转换的作用是：转换成灰度的图片的计算强度得以降低。

示例代码：

import cv2 as cv# 加载图片
img = cv.imread('test.png')
# 显示图片
cv.imshow('BGR image', img)
# cv2读取图片的通道是BGR（蓝绿红）
# PIL读取图片的通道是RGB
# 将图片灰度转换
gray_img = cv.cvtColor(img, code=cv.COLOR_BGR2GRAY)
# 显示转换后的图片
cv.imshow('gray_image', gray_img)
# 保存图片
cv.imwrite('gray_test.png', gray_img)
# 等待键盘输入
cv.waitKey(0)
# 释放内存
cv.destroyAllWindows()

效果：

4.修改图片尺寸

示例代码：

import cv2 as cv# 加载图片
img = cv.imread('test.png')# 显示图片
# cv.imshow('input image', img)
print("原图片的形状", img.shape)
# 修改图片尺寸
# resize_img = cv.resize(img, dsize=(110, 160))
resize_img = cv.resize(img, dsize=(400, 360))
print("修改后图片的形状", resize_img.shape)
cv.imshow('resize_img', resize_img)
# 键盘输入q的时候，退出
while True:if ord('q') == cv.waitKey(0):break
# 释放内存
cv.destroyAllWindows()

效果：

5.绘制矩形、圆

OpenCV可以对图片进行任意编辑、处理。

示例代码

import cv2 as cv
img = cv.imread('test.png')
# 左上角的坐标是(x,y)，矩形的宽度为w，高度为h
x, y, w, h = 50, 50, 80, 80
# 画矩形
cv.rectangle(img, (x, y, x+w, y+h), color=(0, 255, 255), thickness=2) # color=BGR，thickness参数表示画笔的粗细/线条宽度
# 画圆
# center元组指原点的坐标，radius为半径
cv.circle(img, center=(x+w//2, y+h//2), radius=w//2, color=(0, 0, 255), thickness=2)
resize_img = cv.resize(img, dsize=(420, 360))
# 显示图片
cv.imshow('result_image', resize_img)
cv.waitKey(0)
# 释放内存
cv.destroyAllWindows()

效果：

6.人脸检测

6.1Haar级联的概念

由于灯光、视角、视距、摄像头抖动以及数字噪声的变化，图像细节变得不稳定。因此，提取出图像的细节对产生稳定分类结果和跟踪结果很有用。这些提取的结果被称为特征，专业的表述为：从图像数据中提取特征。两个图像的相似程度可以通过它们对应特征的欧氏距离来度量。
Haar特征是一种用于实现人脸跟踪的特征。每一个Haar特征都描述了相邻图像区域的对比模式。例如，边、顶点和细线都能生成具有判别性的特征。

6.2获取Haar级联数据

OpenCV提供了人脸检测所需的XML文件，可用于检测静止图像、视频和摄像头所得到图像中的人脸。

人脸检测器（默认）：haarcascade_frontalface_default.xml

人脸检测器（快速Harr）：haarcascade_frontalface_alt2.xml

人脸检测器（侧视）：haarcascade_profileface.xml

眼部检测器（左眼）：haarcascade_lefteye_2splits.xml

眼部检测器（右眼）：haarcascade_righteye_2splits.xml

嘴部检测器：haarcascade_mcs_mouth.xml

鼻子检测器：haarcascade_mcs_nose.xml

身体检测器：haarcascade_fullbody.xml

人脸检测器（快速LBP）：lbpcascade_frontalface.xml

6.3使用OpenCV进行人脸检测

6.3.1静态图像中人脸检测

6.3.1.1检测人脸

示例代码：

import cv2 as cvdef face_detect_demo():# 将图片转换为灰度gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)# 加载特征数据face_detector = cv.CascadeClassifier('D:\software\Python\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml')# faces为检测区域faces = face_detector.detectMultiScale(gray)for x, y, w, h in faces:# 绘制矩形cv.rectangle(img, (x, y), (x+w, y+h), color=(0, 255, 0), thickness=2)# 显示图片cv.imshow('result', img)# 加载图片
img = cv.imread('huge.jpeg')
face_detect_demo()
# cv.imshow('input image', img)
cv.waitKey(0)
cv.destroyAllWindows()

效果：

6.3.1.2检测多张人脸

示例代码：

import cv2 as cv# 定义人脸检测方法
def face_detect_demo():# 将图片灰度gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)# 加载特征数据face_detector = cv.CascadeClassifier('D:\software\Python\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml')# faces为检测区域# 发现有一些没检测出来faces = face_detector.detectMultiScale(gray, scaleFactor=1.01, minNeighbors=3, maxSize=(40, 40), minSize=(35, 35))for x, y, w, h in faces:print(x, y, w, h)cv.rectangle(img, (x, y), (x+w, y+h), color=(0, 0, 255), thickness=2)cv.circle(img, center=(x+w//2, y+h//2), radius=w//2, color=(0, 255, 0), thickness=2)# 显示图片cv.imshow('result', img)# 加载图片
img = cv.imread('2.jpeg')
# 调用人脸检测方法
face_detect_demo()
cv.waitKey(0)
cv.destroyAllWindows()

测试图片：

效果：

6.3.2视频中的人脸检测

视频是一张张图片组成的，在视频的帧上重复这个过程就能完成视频中的人脸检测。

示例代码：

import cv2 as cvdef face_detect_demo(img):# 将图片转换为灰度gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)# 加载特征数据face_detector = cv.CascadeClassifier('D:\software\Python\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml')# faces为检测区域faces = face_detector.detectMultiScale(gray, flags=cv.CASCADE_SCALE_IMAGE)for x, y, w, h in faces:# 绘制矩形cv.rectangle(img, (x, y), (x + w, y + h), color=(0, 0, 255), thickness=2)cv.circle(img, center=(x+w//2, y+h//2), radius=w//2, color=(0, 255, 0), thickness=2)# 可调整窗口大小cv.namedWindow('result', 0)# 调整窗口大小cv.resizeWindow('result', 500, 500)# 显示图片cv.imshow('result', img)# 读取视频
cap = cv.VideoCapture('test.mp4')
while True:# frame就是每一帧的图像，是个三维矩阵（按帧读取）flag, frame = cap.read()print(f'flag:{flag}, frame.shape:{frame.shape}')if not flag:# 视频播放结束，退出breakface_detect_demo(frame)if ord('q') == cv.waitKey(0):break
# 释放内存
cv.destroyAllWindows()
cap.release()

效果：

6.3.3人脸识别

人脸识别其实就是一个程序能识别给定图像或视频中的人脸。实现这一目标的方法之一是用一系列分好类的图像来”训练“程序，并基于这些图像来进行识别。这就是OpenCV及其人脸识别模块进行人脸识别的过程。
人脸识别模块的另一个重要特征是：每个识别都具有转置信评分，因此可在实际应用中通过对其设置阈值来进行筛选。
人脸识别所需要的人脸可以通过两种方式来得到：自己获得图像或从人脸数据库免费获得可用的人脸图像。

6.3.3.1训练数据

有了数据，需要将这些样本图像加载到人脸识别算法中。所有的人脸识别算法在它们的train()函数都有两个参数：图像数组和标签数组。这些标签表示进行识别时某人人脸的ID，因此根据ID可以知道被识别的人是谁。要做到这一点，将在”trainer/“目录中保存为.yml文件。

在使用Python 3&OpenCV 3.0.0进行人脸识别训练时发现异常：
AttributeError:'module' object has no attribute 'LBPHFaceRecognizer_create' OpenCV ，需要安装opencv-contrib-python模块：

pip install opencv-contrib-python

示例代码：

import os
import cv2import numpy as np
from PIL import Imagedef getImageAndLabels(path):facesSamples = []ids = []imagePaths = [os.path.join(path, f) for f in os.listdir(path)]# 检测人脸face_detector = cv2.CascadeClassifier('D:\software\Python\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml')# 遍历列表中的图片for imagePath in imagePaths:# 打开图片PIL_img = Image.open(imagePath).convert('L')# 将图像转换为数组img_numpy = np.array(PIL_img, 'uint8')# faces为检测区域faces = face_detector.detectMultiScale(img_numpy)# 获取每张图片的idid = int(os.path.split(imagePath)[1].split('.')[0])for x, y, w, h in faces:facesSamples.append(img_numpy[y:y+h, x:x+w])ids.append(id)return facesSamples, idsif __name__ == '__main__':# 图片路径path = './data/jm/'# 获取图像数组和id标签数组faces, ids = getImageAndLabels(path)# 获取循环对象"""AttributeError: module 'cv2' has no attribute 'face'"""recognizer = cv2.face.LBPHFaceRecognizer_create()recognizer.train(faces, np.array(ids))# 保存文件recognizer.write('trainer/trainer.yml')

训练部分图像：

6.3.3.2基于LBPH的人脸识别

LBPH(Local Binary Pattern Histogram)将检测到的人脸分为小单元，并将其与模型中的对应单位进行比较，对每个区域的匹配值产生一个直方图。由于这种方法的灵活性，LBPH是唯一允许模型样本人脸和检测到的人脸在形状、大小上可以不同的人脸识别算法。
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个体的标签，第二个是置信度评分。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所识别人脸与原模型的差距，0表示完全匹配。
有时不想保留所有的识别结果，则需要进一步处理，因此可用自己的算法来估算识别的置信度评分。LBPH一个好的识别参考值要低于50，任何一个高于80的参考值都会被认为是低的置信度评分。

示例代码：

import cv2# 加载训练数据集文件
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('trainer/trainer.yml')# 准备识别的图片
img = cv2.imread('7.bmp')
# 将图片转换为灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 加载特征数据
face_detector = cv2.CascadeClassifier('D:\software\Python\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml')
# faces为检测区域
faces = face_detector.detectMultiScale(gray)
for x, y, w, h in faces:# 绘制矩形cv2.rectangle(img, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)# 人脸识别id,confidence = recognizer.predict(gray[y:y+h, x:x+w])print(f"标签id：{id}，置信评分：{confidence}")
# 显示图片
cv2.imshow('result', img)
cv2.waitKey(0)
# 释放内存
cv2.destroyAllWindows()

测试图像：

测试效果：

因为上面这个图像不在训练数据中，所以置信评分高于80。

换成下面这个图像（jim文件夹下的11.bmp）进行测试：

测试效果：

在训练数据中，置信评分为0。

参考文章及其它：

https://blog.csdn.net/weixin_43493559/article/details/106600471
B站视频：OpenCv人脸识别开发实战
https://blog.csdn.net/shangxiaqiusuo1/article/details/84888408
ORL人脸数据库40个：http://www.qudong51.net/qudong/1040.html
http://www.webzuan.cn/szk/7194.html
https://blog.csdn.net/qq_52131774/article/details/121265931

OpenCv人脸识别开发实战相关推荐

实战 | 如何用最快的速度学会Dlib人脸识别开发？
作者 | 小宋是呢来源 | 转载自小宋是呢项目GitHub地址:https://github.com/xiaosongshine/dlib_face_recognition 1.背景介绍 Dlib ...
[深度应用]·实战掌握Dlib人脸识别开发教程
[深度应用]·实战掌握Dlib人脸识别开发教程个人网站--> http://www.yansongsong.cn/ 项目GitHub地址--> https://github.com/xi ...
opencv 全志_移植opencv人脸识别到全志A10开发板上 +linux3.0内核
移植opencv人脸识别 libz: zlib-1.2.3 libjpeg: jpegsrc.v6b libpng: libpng-1.2.18 libyasm: yasm-0.7. ...
Python+OpenCV人脸识别签到考勤系统（新手入门）
Python+OpenCV人脸识别签到考勤系统(新手入门) 前言项目效果图项目需要的环境编译器辅助开发QT-designer 项目配置代码部分核心代码项目目录结构后记正式版改进项目 ...
基于python opencv人脸识别的签到系统
基于python opencv人脸识别的签到系统前言先看下效果实现的功能开始准备页面的构建功能实现代码部分总结前言一个基于opencv人脸识别和TensorFlow进行模型训练的人 ...
【转】OpenCV人脸识别
转自:https://blog.csdn.net/learning_tortosie/article/details/85121576 写在前面这是Adrian Rosebrock博客的第二篇翻译, ...
[深度学习概念]·深度学习中人脸识别开发解析
深度学习中人脸识别开发解析目录人脸识别介绍人脸识别算法实战解析参考文献人脸识别介绍人脸识别是什么人脸识别问题宏观上分为两类:1. 人脸验证(又叫人脸比对)2. 人脸识别. 人脸验证做的 ...
python人脸照片分类_Python OpenCV 人脸识别（一）
前面介绍了Numpy模块,下面再介绍一个OpenCV模块,就基于这两个库看一下当下很火的人工智能是如何实现的,我们介绍几个:人脸识别(当下非常火的).音视频操作等等.今天先介绍一下静态图片的人脸识别, ...
图像识别——（java）opencv(人脸识别简单实现)
人脸识别 package com.acts.opencv.demo;import javax.servlet.http.HttpServletRequest; import javax.servlet ...

OpenCv人脸识别开发实战

一、OpenCV简介

二、OpenCV的基本使用

1.安装OpenCV模块

2.读取图片

3.图片灰度转换

4.修改图片尺寸

5.绘制矩形、圆

6.人脸检测

6.1Haar级联的概念

6.2获取Haar级联数据

6.3使用OpenCV进行人脸检测

6.3.1静态图像中人脸检测

6.3.1.1检测人脸

6.3.1.2检测多张人脸

6.3.2视频中的人脸检测

6.3.3人脸识别

6.3.3.1训练数据

6.3.3.2基于LBPH的人脸识别

参考文章及其它：

OpenCv人脸识别开发实战相关推荐

最新文章

热门文章