35.OpenCV的人脸检测和识别——示例2(人脸识别训练本地数据)
文章目录
- 前言
- 一、采集人脸样本
- 二、生成Label
- 三、训练自己的数据模型
- 四、进行人脸识别(图片文件)
- 五、使用视频进行人脸识别
- 六、OpenCV-Python资源下载
- 总结
前言
人脸检测是指在图像中完成人脸定位的过程。人脸识别是在人脸检测的基础上进一步判断人的身份。本示例是对之前有关人脸检测和识别的代码总结。
一、采集人脸样本
在face文件夹中放入需要进行识别的人脸图片:
每个文件夹中放入的照片如下所示:
import os
import cv2
import imghdr
import numpy as np
from imutils import *
# 人脸检测并保存人脸
def facedetect(image, output):
# 获取文件名
name = os.path.basename(image)
# 读入图片
image = cv2.imread(image)
# 变成灰度图
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 级联分类器,检测人脸
detector = cv2.CascadeClassifier("haarcascade_frontalface_alt.xml")
rects = detector.detectMultiScale(image, scaleFactor=1.1, minNeighbors=3, minSize=(20, 20), flags=cv2.CASCADE_SCALE_IMAGE)
# 循环每个人脸
for (x,y,w,h) in rects:
# 截取人脸,并且都转化为200*200的固定大小
f = cv2.resize(image[y:y+h, x:x+w], (200,200))
# 写入指定路径
cv2.imwrite(os.path.join(output, name), f)
# 检测并截取人脸
def predict_face(path, output):
# 如果该文件夹不存在则创建文件夹
if not os.path.exists(output):
os.makedirs(output)
# 循环每个人物的文件夹下的图片
for files in os.listdir(path):
# 检测是不是文件夹
if os.path.isdir(os.path.join(path, files)):
# 定义截取到的人脸的输出路径
output2 = os.path.join(output, files)
# 如果该文件夹不存在则创建文件夹
if not os.path.exists(output2):
os.makedirs(output2)
# 人物文件夹的完整路径
files = os.path.join(path, files)
# 循环每个人的每张照片
for file in os.listdir(files):
# 照片完整路径
file = os.path.join(files, file)
# 检测人脸并保存
facedetect(file, output2)
# 样本路径和采集路径
predict_face('faces', 'predict_faces')
运行程序后得到predict_faces文件夹,其中包含预测人脸的检测图片,打开后需删除识别错误的图片(红框为识别错误图像):
二、生成Label
程序会根据predict_faces子文件夹中的人数情况看自动生成从0开始的标签。
# 生成label文件
def get_label(path):
fh = open("label.txt", 'w')
# 表示人脸label
label = 0
for root, dirs, files in os.walk(path):
# 循环每个文件夹
for subdir in dirs:
# 文件夹完整路径
subdir_path = os.path.join(root,subdir)
# 循环每个人物文件夹下面每张照片
for file in os.listdir(subdir_path):
# 照片完整路径
filepath = os.path.join(subdir_path, file)
# 判断文件类型是不是图片类型
imgType = imghdr.what(filepath)
if imgType == 'jpeg' or imgType == 'png':
# 保存图片路径
fh.write(filepath);
fh.write(";")
# 标签
fh.write(str(label))
fh.write("\n")
# 每个人的标签不一样,从0开始计数
label = label + 1
fh.close()
# 采集人脸标签的路径
get_label('predict_faces')
生成的label.txt会根据文件夹中分类的路径生成相应的标签,如下所示:
三、训练自己的数据模型
调用人脸识别器时,程序会根据标签文件对应的读入已知图像和对应的标签进行训练,并在最后保存训练文件。
# 保存图片数据
images = []
# 保存标签
labels = []
# 打开文件
fh = open("label.txt")
# 循环每一行
for line in fh:
# 以;切分字符串
arr = line.split(";")
# 第0部分为图片路径,读取文件
img = cv2.imread(arr[0],0)
# 保存图片数据
images.append(img)
# 保存对应的标签数据
labels.append(int(arr[1]))
# model = cv2.face.EigenFaceRecognizer_create()
# model = cv2.face.FisherFaceRecognizer_create()
model = cv2.face.LBPHFaceRecognizer_create()
# 训练模型
model.train(np.array(images), np.array(labels))
# 保存模型
model.save("predict_face_NBAstar.xml")
生成的标签文件和保存的模型:
四、进行人脸识别(图片文件)
提前准备好需要进行预测的未知人脸图像,并放入test文件夹。
检测人脸后,通过model.predict()方法进行识别。
# 定义人物名字
name= ['KobeBryant','LeBronJames','TracyMcGrady']
# 载入训练好的模型
model.read('predict_face_NBAstar.xml')
i=0
# 读入测试图片来做测试
for file in os.listdir('test'):
file = os.path.join('test', file)
# 判断文件类型
imgType = imghdr.what(file)
if imgType == 'jpeg' or imgType == 'png'or 'jpg':
# 读入图片
image = cv2.imread(file)
# 变为灰度图
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
# 级联分类器
detector = cv2.CascadeClassifier("haarcascade_frontalface_alt.xml")
rects = detector.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=3, minSize=(20, 20), flags=cv2.CASCADE_SCALE_IMAGE)
# 循环每个人脸
for (x,y,w,h) in rects:
# 画矩形框
cv2.rectangle(image, (x,y), (x+w,y+h), (255,255,255), 2)
# 人脸识别
face = cv2.resize(gray[y:y+h,x:x+w], (200,200))
# 预测人物
params = model.predict(face)
# 写上人物名字
cv2.putText(image,name[params[0]],(x,y-5),cv2.FONT_HERSHEY_PLAIN,1,(255,255,255),1)
i += 1
cv2.imshow("test"+str(i),image)
cv2.waitKey(0)
cv2.destroyAllWindows()
识别结果如下:
五、使用视频进行人脸识别
可以利用图片文件生成的模型,利用摄像头进行识别。
import cv2
capture = cv2.VideoCapture(0)
frame_width = capture.get(cv2.CAP_PROP_FRAME_WIDTH)
frame_height = capture.get(cv2.CAP_PROP_FRAME_HEIGHT)
fps = capture.get(cv2.CAP_PROP_FPS)
if capture.isOpened() is False:
print('CAMERA ERROR !')
exit(0)
model = cv2.face.LBPHFFaceRecognizer_create()
name= ['Kobe Bryant','LeBron James','Tracy McGrady']
model.read('predict_face_NBAstar.xml')
detector = cv2.CascadeClassifier("haarcascade_frontalface_alt.xml")
while capture.isOpened():
ret, frame = capture.read()
if ret is True:
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
rects = detector.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=3, minSize=(20, 20), flags=cv2.CASCADE_SCALE_IMAGE)
for (x,y,w,h) in rects:
cv2.rectangle(frame, (x,y), (x+w,y+h), (255,255,255), 2)
face = cv2.resize(gray[y:y+h,x:x+w], (200,200))
params = model.predict(face)
cv2.putText(frame,name[params[0]],(x,y-5),cv2.FONT_HERSHEY_PLAIN,1,(255,255,255),1)
cv2.imshow('FACE', frame)
k = cv2.waitKey(100)
if k == ord('q'):
break
else:
break
capture.release()
cv2.destroyAllWindows()
识别结果如下:
六、OpenCV-Python资源下载
OpenCV-Python测试用图片、中文官方文档、opencv-4.5.4源码
总结
以上内容介绍了OpenCV-Python的人脸检测和识别的代码示例总结,有关Python、数据科学、人工智能等文章后续会不定期发布,请大家多多关注,一键三连哟(●’◡’●)。