基于OpenCV的简单人脸识别系统

约定不等于承诺〃 2023-10-06 14:27 44阅读 0赞

#### 目录 ####

*   *  [1. 调用库函数][1.]
     *  [2. 调用摄像头并设置窗口][2.]
     *  [3. 设置图片正负样本数据集的路径][3.]
     *  [4. 调用人脸检测器][4.]
     *  [5. 正负样本载入][5.]
     *  [6.提取人脸区域][6.]
     *  [7. 建立LBPH人脸识别模型][7. _LBPH]
     *  [8. 实时检测][8.]
     *  [9. 测试结果][9.]
     *  [10. 不足之处][10.]
     *  [11. 改进方法][11.]

***声明：本程序基于Python的OpenCV模块编程，利用opencv已有的人脸检测器和人脸识别器进行实时人脸识别***

### 1. 调用库函数 ###

import cv2
    import numpy as np

*  1
 *  2

### 2. 调用摄像头并设置窗口 ###

frameWidth = 640
    frameHeight = 480
    cap = cv2.VideoCapture(0)
    cap.set(3, frameWidth)      #设置参数，10为亮度
    cap.set(4, frameHeight)
    cap.set(10,150)

*  1
 *  2
 *  3
 *  4
 *  5
 *  6

### 3. 设置图片正负样本数据集的路径 ###

pos_path = './resource/face_detect/video2imagem3/'
    neg_path = './resource/face_detect/video2imagec1/'
    test_path = './resource/face/'
    images = []
    labels = []

*  1
 *  2
 *  3
 *  4
 *  5

### 4. 调用人脸检测器 ###

注：人脸识别器在安装opencv库的时候就一块安装了，在opencv的安装路径下可以找到。

faceCascade = cv2.CascadeClassifier("resource/haarcascade_frontalface_default.xml")

*  1

### 5. 正负样本载入 ###

由于本数据集人脸数据是通过程序处理视频获得的，因此，便于批量导入程序中。  
![20200731111406843.png][]  
正样本（人脸）与负样本（环境）比例大致为1：3，据说这样比例效果较好；标签为0，1。  
导入语句如下：

for i in range(60):         # 正样本
        images.append(cv2.imread(pos_path+str(2*(i+1))+'.jpg',cv2.IMREAD_GRAYSCALE))
        labels.append(0)
    
    for i in range(173):        # 负样本
        images.append(cv2.imread(neg_path+str(2*(i+1))+'.jpg',cv2.IMREAD_GRAYSCALE))
        labels.append(1)

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7

### 6.提取人脸区域 ###

这里对于没检测到人脸区域的图片不进行处理，对于人脸区域，将其周围20像素左右部分提取出来

def processing(imageslist):
        for j in range(len(imageslist)):
            faces = faceCascade.detectMultiScale(imageslist[j], 1.1, 4)
            for x,y,w,h in faces:
                if x >= 20 and y >= 20:		# 未处理没检测到人脸的情况
                   imageslist[j] = imageslist[j][y-20:y+h+20, x-20:x+w+20]
        return imageslist

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7

### 7. 建立LBPH人脸识别模型 ###

这里采用LBPH人脸识别模块，因为这种方法不需要图片数据集为统一尺寸，EigenFaces和Fisherfaces模块均需要训练集图片和测试的图片尺寸保持一致。

imagesCopy = images
    # 提取图像中人脸的区域
    imagesCopy = processing(imagesCopy)
    recognizer = cv2.face.LBPHFaceRecognizer_create()
    recognizer.train(imagesCopy, np.array(labels))

*  1
 *  2
 *  3
 *  4
 *  5

### 8. 实时检测 ###

人脸检测中，如果未检测到人脸，则face返回的是空元组，检测到人脸后，提取出人脸区域，采用recognizer.predict进行识别，对于返回值的confidence，小于50认为结果可靠，而大于80则认为差别较大。

while True:
        success,img = cap.read()
        predict_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        face = faceCascade.detectMultiScale(predict_image, 1.1, 4)
        # print(face)     # 空的元组有可能
        if face != ():
            for x, y, w, h in face:
                if x >= 20 and y >= 20:
                    faceArea = predict_image[y-20:y+h+20, x-20:x+w+20]
                    cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 1)
                    label, confidence = recognizer.predict(faceArea)
                    if confidence <= 80 and label == 0:
                        cv2.putText(img, "LQL",(x, y-20), cv2.FONT_HERSHEY_COMPLEX, 1,(255,0,0,1))
                        print("YOU ARE LQL")
                    else:
                        cv2.putText(img, "OTHERS", (x, y-20), cv2.FONT_HERSHEY_COMPLEX, 1,(255,0,0),1)
                        print("OTHERS")
                        print(confidence)
                        print(label)
        else:
            cv2.putText(img, "None", (320, 240), cv2.FONT_HERSHEY_COMPLEX, 1, (255, 0, 255), 1)
            print("None")
        cv2.imshow("img", img)
        
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9
 *  10
 *  11
 *  12
 *  13
 *  14
 *  15
 *  16
 *  17
 *  18
 *  19
 *  20
 *  21
 *  22
 *  23
 *  24
 *  25
 *  26

### 9. 测试结果 ###

能够基本实现特定人脸识别的功能。  
![20200731165512241.png][]

### 10. 不足之处 ###

1.  未将训练部分与检测部分分开，导致每次都要重新训练，消耗一定的时间，目前只做了一种人脸识别；–**已解决**
2.  由于数据是从视频中导出的图片，因此对于训练集中可能存在的未检测到人脸的情况也未作处理；
3.  没有将所有的图片尺寸resize为统一尺寸，因此只能用LBPH模块进行人脸识别，不过，在另一方面，用cv2.resize可能会存在画面比例失衡的问题，损失训练效果；
4.  另外，对于负样本，只用了背景图片，后续可以试试物体之类的。  
    **总之，目前只是实现了一个简单的实时人脸识别功能，后续有时间再改进。**

### 11. 改进方法 ###

1.  下列语句可以对训练好的模型进行保存和读取，因此可以将训练部分与识别部分分隔开

recognizer = cv2.face.LBPHFaceRecognizer_create()
    
    recognizer.save('./resource/face_detect/MyFaceModel.xml')
    recognizer.read('./resource/face_detect/MyFaceModel.xml')

[1.]: https://blog.csdn.net/weixin_45371989/article/details/107707761?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&request_id=5f272d0e2405af26f814c95c#1__2
[2.]: https://blog.csdn.net/weixin_45371989/article/details/107707761?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&request_id=5f272d0e2405af26f814c95c#2__7
[3.]: https://blog.csdn.net/weixin_45371989/article/details/107707761?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&request_id=5f272d0e2405af26f814c95c#3__17
[4.]: https://blog.csdn.net/weixin_45371989/article/details/107707761?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&request_id=5f272d0e2405af26f814c95c#4__26
[5.]: https://blog.csdn.net/weixin_45371989/article/details/107707761?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&request_id=5f272d0e2405af26f814c95c#5__31
[6.]: https://blog.csdn.net/weixin_45371989/article/details/107707761?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&request_id=5f272d0e2405af26f814c95c#6_46
[7. _LBPH]: https://blog.csdn.net/weixin_45371989/article/details/107707761?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&request_id=5f272d0e2405af26f814c95c#7_LBPH_58
[8.]: https://blog.csdn.net/weixin_45371989/article/details/107707761?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&request_id=5f272d0e2405af26f814c95c#8__67
[9.]: https://blog.csdn.net/weixin_45371989/article/details/107707761?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&request_id=5f272d0e2405af26f814c95c#9__97
[10.]: https://blog.csdn.net/weixin_45371989/article/details/107707761?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&request_id=5f272d0e2405af26f814c95c#10__101
[11.]: https://blog.csdn.net/weixin_45371989/article/details/107707761?utm_medium=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&depth_1-utm_source=distribute.pc_feed.none-task-blog-personrec_tag-7.nonecase&request_id=5f272d0e2405af26f814c95c#11__107
[20200731111406843.png]: https://img-blog.csdnimg.cn/20200731111406843.png
[20200731165512241.png]: https://img-blog.csdnimg.cn/20200731165512241.png