android opencv 识别人脸并裁剪 opencv识别特定人脸

OpenCV中有许多可以进行人脸、人眼检测的特征文件，今天我们利用OpenCV中自带的特征文件haarcascade_frontalface_default.xml来进行人脸检测。

【OpenCV实战】OpenCV实现人脸检测“超详解”（含代码）

• 1、整体思路
• 2、代码详解

• 2.1从百度爬取图片
• 2.2训练数据
• 2.3测试，绘制框和标签

• 3、总结
• 4、参考

1、整体思路

第一：利用Python根据特征词从百度爬取人物图片
第二：训练
第三：测试，绘制框和标签

2、代码详解

2.1从百度爬取图片

本段代码实现的功能：根据特征词从百度爬取一定数量的图片

import requests
import os
import re

# word是要爬的图片名字；max_num 是要爬取的数量
word = input("请输入关键词：")
max_num = input("请输入图片最大数量：")
# j用来标记图片数量
j = 1

#爬取图片的类
class PaChong:
    def __init__(self, word, i):
        # path是图片存放的地方
        self.path = "./xqImg/" + word + "/"
         #         第几页
        self.page = i / 10 + 1
        # 如果文件夹不存在，则创建文件夹
        if not os.path.exists(self.path):
            os.mkdir(self.path)

    # 发出requests请求
    def requests_get(self, url):
        req = requests.get(url, timeout=30)
        req.encoding = "utf-8"
        self.req = req.text

    # 正则找到图片链接
    def get_imgurl(self):
        imgurls = re.findall('"objURL":"(.*?)"', self.req, re.S)
        self.imgurls = imgurls
        print(self.imgurls)

    # 下载图片到本地
    def download(self):
        global j
        for imgurl in self.imgurls:
            path = self.path + str(j)
            #try可以防止因网络不好造成的错误
            try:
                # 写入文件
                with open(path + "2.jpg", "wb") as f:
                    r = requests.get(imgurl)
                    f.write(r.content)
                print("%s下载成功" % path)
                j += 1
                if j >= int(max_num):
                    break
            except Exception as e:
                print(e)
                # 当发生异常时，直接跳过
                continue
        print("第{}页下载结束！".format(self.page))


# 通过pn参数实现翻页，第一页为0，,间隔为20
for i in range(0, 30, 10):
    url = "https://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word={0}&pn={1}&gsm=50&ct=&ic=0&lm=-1&width=0&height=0".format(
        word, i)
    Run = PaChong(word, i)
    Run.requests_get(url)
    Run.get_imgurl()
    Run.download()

这里我从百度上爬取了黄渤和孙红雷的各25张图片（只是训练一个小demo），效果图如下。为了方便以后的训练过程，将文件夹的名称改为“01”和“02”，作为相应类别的标签。

2.2训练数据

首先从OpenCV官网下载对应版本的Sources，data文件夹中有是特征文件，我们一般选用haarcascade_frontalface_default.xml。

我们要创建一个cv2.CascadeClassifier对象，该对象可以用来检测人脸。代码如下：

face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

下面是训练的代码：

import cv2
import os
import numpy
from imutils import paths
import random

root_path = "./xqImg"

def getFacesAndLabels():
    """读取图片特征和标签"""
    global root_path
    faces = []
    lables = []

    # 获取人脸检测器
    face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

    # 获取图片路径
    imagePaths = sorted(list(paths.list_images(root_path)))
    print(imagePaths)

    for path in imagePaths:
    #修改文件路径，防止在读取文件时cv2报错
        path = path.replace('\\','/')
        # 读取图片
        im = cv2.imread(path)
        # 转换灰度
        grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
        # 读取人脸数据，获得人脸的位置信息
        face = face_detector.detectMultiScale(grey)
        for x, y, w, h in face:
            # 获得标签，文件夹的名称为类别（1和2）
            label = path.split("/")[-2]
            lables.append(int(label))
            # 图像分割获得人脸数据
            faces.append(grey[y:y+h, x:x+w])

    return faces, lables

# 调用方法获取人脸信息及标签
faces, labels = getFacesAndLabels()
# 获取训练对象
recognizer = cv2.face.LBPHFaceRecognizer_create()
# 训练数据
recognizer.train(faces, numpy.array(labels))
# 保存训练数据
recognizer.write('./trainer/trainer.yml')

2.3测试，绘制框和标签

利用训练好的文件trainer.yml进行人脸检测，通过predict函数返回人脸标签和置信度，

import cv2

#对应的类别标签
Name ={'1':'huang','2':'sun'}

# 加载训练数据集
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('./trainer/trainer.yml')

# 准备识别的图片
im = cv2.imread('32.jpg')
grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)

# 检测人脸
face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
face = face_detector.detectMultiScale(grey)

for x, y, w, h in face:
    # 返回人脸标签和可信度，可信度数值越低，可信度越高（用词不当，不要在意）
    label, confidence = recognizer.predict(grey[y:y+h, x:x+w])
# 这里将60作为界限，当检测检测值为60时，我们就确定人物
    if confidence <= 60:
        # 绘制预测框
        cv2.rectangle(im, (x, y), (x + w, y + h), (255, 255, 0), 2)
        Label = Name[str(label)]
        # 显示标签
        cv2.putText(im,Label,(x, y),cv2.FONT_HERSHEY_COMPLEX, 0.7, (0, 255, 225), 2)

    else:
        print("未匹配到数据")

    cv2.imshow('im', im)
    cv2.waitKey(0)
# 销毁窗口
cv2.destroyAllWindows()

大功告成！！！！

3、总结

face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# face为脸部位置信息（用于绘制预测框）
face = face_detector.detectMultiScale(grey)
recognizer = cv2.face.LBPHFaceRecognizer_create()

以上三行代码获取人脸检测器对象，可以用来检测人脸

#训练
recognizer.train(faces, numpy.array(labels))

#测试，返回人脸标签和可信度
 label, confidence = recognizer.predict(grey[y:y+h, x:x+w])