人臉特征提取是將一張人臉圖像轉(zhuǎn)化為一串固定長(zhǎng)度的數(shù)值的過程。

人臉識(shí)別：

人臉識(shí)別是一種識(shí)別出輸入人臉圖對(duì)應(yīng)身份的算法技術(shù)。輸入一張人臉圖像，通過與注冊(cè)在庫(kù)中N個(gè)身份對(duì)應(yīng)的特征進(jìn)行逐個(gè)比對(duì)，找出“一個(gè)”與輸入特征相似度最高的特征。

三、 關(guān)鍵模塊

1.根據(jù)以上分析，本項(xiàng)目將實(shí)現(xiàn)人臉識(shí)別分為以下3個(gè)小任務(wù)，通過3個(gè)步驟來完成人臉采集與檢測(cè)、人臉模型訓(xùn)練、人臉識(shí)別。

2.函數(shù)介紹
在OpenCV中，使用函數(shù)cv2.face.LBPHFaceRecognizer_create()生成LBPH人臉識(shí)別器實(shí)例模型，然后應(yīng)用cv2.face_FaceRecognizer.train()函數(shù)完成訓(xùn)練，最后用cv2.face_FaceRecognizer.predict()函數(shù)完成人臉識(shí)別。

四、 實(shí)驗(yàn)準(zhǔn)備

1. 第三方庫(kù)

2. 新建相關(guān)文件夾

新建一個(gè)FaceRecognition工程文件夾，在里面Facedata文件夾、cv2data文件夾、Model文件夾

3. 實(shí)驗(yàn)環(huán)境

（1）攝像頭設(shè)備。
（2） python3.7(文末提供的安裝包是3.7版本的，如果是其他版本，請(qǐng)根據(jù)需要升級(jí)第三方庫(kù))。
備注：文末提供參考程序

五、 人臉采集與檢測(cè)實(shí)現(xiàn)

1.人臉采集與檢測(cè)FaceCollect.py代碼

（實(shí)現(xiàn)效果見本程序后面）

import cv2
import numpy as np
import random

# 將捕獲照片的大小裁剪為正方形
def getpaddingSize(shape):
    # 照片的長(zhǎng)和寬
    h, w = shape
    longest = max(h, w)
    # 將最長(zhǎng)的邊進(jìn)行處理
    result = (np.array([longest]*4, int) - np.array([h, h, w, w], int)) // 2
    return result.tolist()

# 圖像去噪處理，使得訓(xùn)練出來的模型具備一定的泛化能力
def dealwithimage(img, h=64, w=64):
    top, bottom, left, right = getpaddingSize(img.shape[0:2])
    img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=[0, 0, 0])
    img = cv2.resize(img, (h, w))
    return img

# 改變亮度與對(duì)比度
def relight(imgsrc, alpha=1, bias=0):
    imgsrc = imgsrc.astype(float)
    imgsrc = imgsrc * alpha + bias
    imgsrc[imgsrc < 0] = 0
    imgsrc[imgsrc > 255] = 255
    imgsrc = imgsrc.astype(np.uint8)
    return imgsrc

# 捕獲人臉
def GetFace(name,face_id):
    # 0: 筆記本內(nèi)置攝像頭; 1: USB攝像頭
    camera = cv2.VideoCapture(0, cv2.CAP_DSHOW)
    # 獲取分類器
    face_detector = cv2.CascadeClassifier(r'./cv2data/haarcascade_frontalface_default.xml')
    count = 1
    while True:
        # 默認(rèn)獲取100張圖片作為訓(xùn)練數(shù)據(jù)集
        if(count<=100):
            print("It's processing %s image." % count)
            # 讀取圖片
            success,img = camera.read()
   
            # 圖片灰度化
            gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
            # 檢測(cè)人臉
            faces = face_detector.detectMultiScale(gray,1.31,2)
            for (x, y, w, h) in faces:
                # 圖像預(yù)處理，處理成64*64大小的圖片
                face = gray[y:y+h, x:x+w]
                face = cv2.resize(face, (64, 64))
                # 圖像去噪處理
                face = dealwithimage(face)
                # 改變亮度與對(duì)比度
                #face = relight(face, random.uniform(0.5, 1.5), random.randint(-50, 50))
                # 保存圖片
                cv2.imwrite("Facedata/User." + str(face_id) + '.' + str(count) + '.jpg', face)
                # 在圖片上顯示名字
                cv2.putText(img, name, (x, y-20), cv2.FONT_HERSHEY_SIMPLEX, 1, 255, 2)
                # 畫一個(gè)矩形
                img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
                count+=1
            cv2.imshow('img', img)
            # 保持畫面持續(xù)
            key = cv2.waitKey(30)&0xff
            # Esc退出
            if key == 27:
                break
        else:
            break
    # 關(guān)閉攝像頭
    camera.release()
    cv2.destroyAllWindows()

if __name__ == '__main__':
    # 請(qǐng)輸入您的name和id
    name = input('Please input your name:')
    face_id = input('Please input face id:')
    GetFace(name,face_id)  

2.程序執(zhí)行效果

程序打印下列內(nèi)容，輸入人臉身份(如lyx)，其次輸入身份ID（序號(hào)0，1，2…）。當(dāng)用戶輸入名字和ID，按下回車鍵后，只要用戶正對(duì)著攝像頭計(jì)算機(jī)會(huì)自動(dòng)采集人臉圖像，直到采集到100張有效照片后自動(dòng)退出，照片默認(rèn)保存在根目錄下的Facedata文件夾

六、 人臉模型訓(xùn)練實(shí)現(xiàn)

對(duì)采集到的人臉數(shù)據(jù)集進(jìn)行人臉特征提取并建立人臉模型，形成模型文件。

1.訓(xùn)練人臉模型FaceTrain.py代碼

import os
import cv2
from PIL import Image
import numpy as np

# 人臉訓(xùn)練集路徑
path = './Facedata/'
# 初始化識(shí)別器
# opencv-contrib-python和opencv-python庫(kù)版本要一致，否則運(yùn)行會(huì)報(bào)錯(cuò)
recognizer = cv2.face.LBPHFaceRecognizer_create()
# 獲取分類器
detector = cv2.CascadeClassifier(r'./cv2data/haarcascade_frontalface_default.xml')

# 獲取圖像及標(biāo)簽
def getImagesAndLabels(path):
    # join函數(shù)的作用
    imagePaths = [os.path.join(path, f) for f in os.listdir(path)]  
    faceSamples = []
    ids = []
    for imagePath in imagePaths:
        PIL_img = Image.open(imagePath).convert('L')   
        img_numpy = np.array(PIL_img, 'uint8')
        id = int(os.path.split(imagePath)[-1].split(".")[1])
        faces = detector.detectMultiScale(img_numpy)
        for (x, y, w, h) in faces:
            faceSamples.append(img_numpy[y:y + h, x: x + w])
            ids.append(id)
    return faceSamples, ids

# 主程序入口
if __name__ == "__main__":
    print('Training faces. It will take a few seconds. Waiting...')
    faces, ids = getImagesAndLabels(path)
    # 開始訓(xùn)練
    recognizer.train(faces, np.array(ids))         
    print('Training has finished!')
    # 保存文件
    recognizer.write(r'./Model/trainer-2021.yml')  
    print("{0} faces trained. Exiting Program.".format(len(np.unique(ids))))

2.程序執(zhí)行效果

當(dāng)出現(xiàn)如下所示的信息時(shí)，說明模型訓(xùn)練完成，模型文件默認(rèn)保存在當(dāng)前程序目錄下的Model文件夾

Training faces. It will take a few seconds. Waiting...
Training has finished!
1 faces trained. Exiting Program.

七、 人臉識(shí)別實(shí)現(xiàn)

通過攝像頭實(shí)時(shí)捕獲人臉圖像，進(jìn)行人臉追蹤，跟訓(xùn)練好的人臉模型trainer-20221230.yml進(jìn)行特征匹配，從而進(jìn)行人臉識(shí)別，對(duì)應(yīng)的用戶名字會(huì)實(shí)時(shí)顯示在人臉圖像上。

1.人臉識(shí)別FaceRecognition.py代碼

import os
import cv2

# 人臉識(shí)別函數(shù)
def Face():
    # 獲取所有的模型文件路徑
    model_dir = './Model/'
    # 獲取分類器
    faceCascade = cv2.CascadeClassifier(r'./cv2data/haarcascade_frontalface_default.xml')
    # 設(shè)置圖片顯示的字體
    font = cv2.FONT_HERSHEY_SIMPLEX

    # 用戶需要在此添加自己的姓名(拼音)，下標(biāo)序號(hào)要與名字對(duì)應(yīng)(ID從0開始，依次遞增)
    names = ['lyx', 'jk', 'xy']

    # 捕獲圖像
    camera = cv2.VideoCapture(0, cv2.CAP_DSHOW)
    # 設(shè)置格式
    minW = 0.1*camera.get(3)
    minH = 0.1*camera.get(4)

    # 初始化識(shí)別器
    recognizer = cv2.face.LBPHFaceRecognizer_create()
    # 加載訓(xùn)練好的模型文件

    print('請(qǐng)正對(duì)著攝像頭...')
    confidence = 150.00
    name = "unknown"
    while True:
        # 讀取圖片
        success,img = camera.read()
        # 圖片灰度化
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        # 檢測(cè)人臉
        faces = faceCascade.detectMultiScale(
            gray,
            scaleFactor=1.3,
            minNeighbors=5,
            minSize=(int(minW), int(minH))
        )

        for (x, y, w, h) in faces:
            # 畫一個(gè)矩形
            cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)
            # 遍歷指定目錄下的所有模型文件，能夠根據(jù)不同模型識(shí)別不同人，但是有些卡
            for model_file in os.listdir(model_dir):
                if not model_file.endswith('.yml'):  #如果文件夾內(nèi)的文件格式不是.yml，就跳過
                    continue
                # 初始化識(shí)別器
                recognizer = cv2.face.LBPHFaceRecognizer_create()           
                recognizer.read(r'./Model/'+ model_file)
                # 圖像預(yù)測(cè) https://www.py.cn/jishu/jichu/26805.html
                # predict()函數(shù)返回兩個(gè)元素的數(shù)組：第一個(gè)元素是所識(shí)別個(gè)體的標(biāo)簽，第二個(gè)是置信度評(píng)分。
                # 置信度評(píng)分用來衡量所識(shí)別人臉與原模型的差距，0 表示完全匹配。
                idnum, confidence = recognizer.predict(gray[y:y+h, x:x+w])     
                print(confidence)      
                # 設(shè)置置信度confidence小于100%即可驗(yàn)證通過人臉   
                if confidence < 120:
                    name = names[idnum]
                    print("ID:",idnum,",name:",name)
                    break
                else:
                    name = "unknown"
            cv2.putText(img, str(name), (x+5, y-5), font, 1, (230, 250, 100), 1)
            cv2.putText(img, str(confidence), (x+5, y+h-5), font, 1, (255, 0, 0), 1)
        cv2.imshow('camera', img)
        # 保持畫面持續(xù)
        key = cv2.waitKey(10)
        # 按Esc鍵退出
        if key==27 or confidence< 120:
            cv2.imwrite('./Image.jpg', img)  #保存圖片               
            break
    # 關(guān)閉攝像頭
    camera.release()
    cv2.destroyAllWindows()
    return name,idnum,confidence

if __name__ == '__main__':
    # 加載訓(xùn)練好的模型文件
    
    name,confidence = Face()
    confidence = "{0}%".format(round(200 - confidence))
    print("您的名字是:", name)
    print("匹配指數(shù):", confidence)

2.關(guān)于置信度confidence

LBPH中置信度評(píng)分用來衡量所識(shí)別人臉與原模型的差距，0 表示完全匹配，predict()函數(shù)返回兩個(gè)元素的數(shù)組：第一個(gè)元素是所識(shí)別 個(gè)體的標(biāo)簽，第二個(gè)是置信度評(píng)分。其中由于本人采集人臉數(shù)據(jù)的干擾，confidence的值會(huì)在88-110以上（confidence想要接近0基本上概率為0），所以我設(shè)置了本項(xiàng)目score為200-confidence，反過來判斷score的值大于我設(shè)定的閾值(95)那么就判定為人臉識(shí)別成功。

3.程序執(zhí)行效果

在彈出圖像窗口并在人臉圖像上實(shí)時(shí)顯示用戶名和匹配指數(shù)。

程序鏈接

完成參考程序與第三方庫(kù)：
鏈接：https://pan.baidu.com/s/1woGOnY8YWWfWSAQI6yldwg?pwd=lyx4
提取碼：lyx4文章來源地址http://www.zghlxwxcb.cn/news/detail-777615.html

到了這里，關(guān)于基于OpenCV提供的人臉識(shí)別算法LBPH實(shí)現(xiàn)人臉識(shí)別的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！