Python 基于 OpenCV 視覺圖像處理實(shí)戰(zhàn) 之 OpenCV 簡單人臉檢測/識別實(shí)戰(zhàn)案例 之六 簡單進(jìn)行人臉訓(xùn)練與識別

目錄

Python 基于 OpenCV 視覺圖像處理實(shí)戰(zhàn) 之 OpenCV 簡單人臉檢測/識別實(shí)戰(zhàn)案例 之六 簡單進(jìn)行人臉訓(xùn)練與識別

一、簡單介紹

二、簡單進(jìn)行人臉訓(xùn)練與識別

1、LBPH（Local Binary Patterns Histograms）算法進(jìn)行人臉訓(xùn)練和識別

2、實(shí)現(xiàn)步驟：

3、判斷是誰的人臉：

案例中涉及的關(guān)鍵函數(shù)說明如下

1）準(zhǔn)備訓(xùn)練數(shù)據(jù)集：load_training_data(data_dir)

2）預(yù)處理圖像：preprocess_images(faces)

3）訓(xùn)練 LBPH 人臉識別器：train_lbph(faces, labels)

4）讀取測試圖像：load_test_image(image_path)

5）預(yù)處理測試圖像：preprocess_test_image(test_image)

6）進(jìn)行人臉識別：recognize_face(model, test_image)

7）測試人臉識別器：test_face_recognition(data_dir, test_image_path)

三、簡單進(jìn)行人臉訓(xùn)練與識別案例實(shí)現(xiàn)簡單步驟

四、注意事項(xiàng)

一、簡單介紹

Python是一種跨平臺的計(jì)算機(jī)程序設(shè)計(jì)語言。是一種面向?qū)ο蟮膭討B(tài)類型語言，最初被設(shè)計(jì)用于編寫自動化腳本(shell)，隨著版本的不斷更新和語言新功能的添加，越多被用于獨(dú)立的、大型項(xiàng)目的開發(fā)。Python是一種解釋型腳本語言，可以應(yīng)用于以下領(lǐng)域： Web 和 Internet開發(fā)、科學(xué)計(jì)算和統(tǒng)計(jì)、人工智能、教育、桌面界面開發(fā)、軟件開發(fā)、后端開發(fā)、網(wǎng)絡(luò)爬蟲。

這里使用 Python? 基于 OpenCV 進(jìn)行視覺圖像處理，......

OpenCV 提供了一些已經(jīng)訓(xùn)練好的級聯(lián)分類器，這些級聯(lián)分類器以XML文件的方式保存在以下路徑中：

...\Python\Lib\site-packages\cv2\data\

OpenCV提供了一些經(jīng)過預(yù)訓(xùn)練的人臉檢測器模型文件，這些文件通常包含在OpenCV的安裝包中。你也可以在OpenCV的官方GitHub頁面或者OpenCV官方網(wǎng)站的下載頁面找到這些模型文件的下載鏈接。

一般來說，你可以從以下位置獲取OpenCV的預(yù)訓(xùn)練模型文件：

• ??????? OpenCV GitHub Release 頁面：在 Releases · opencv/opencv · GitHub 找到你需要的版本，然后在下載的壓縮包中找到位于 opencv\data 目錄下的人臉檢測器模型文件。
• ??????? OpenCV 官方網(wǎng)站下載頁面：訪問 OpenCV 官方網(wǎng)站 Releases - OpenCV ，下載你需要的版本，并在相應(yīng)的壓縮包中查找人臉檢測器模型文件。

請確保下載與你使用的OpenCV版本兼容的模型文件。

該案例效果

二、簡單進(jìn)行人臉訓(xùn)練與識別

人臉識別是一種生物特征識別技術(shù)，旨在識別和驗(yàn)證人類面部的身份。它利用計(jì)算機(jī)視覺和模式識別技術(shù)來識別人臉圖像中的關(guān)鍵特征，并將其與事先存儲的人臉模板或數(shù)據(jù)庫中的其他人臉進(jìn)行比較，以確定是否匹配。人臉識別技術(shù)通常包括以下步驟：

1. 人臉檢測：首先從圖像或視頻中檢測出人臉的位置，通常使用級聯(lián)分類器、深度學(xué)習(xí)模型或其他檢測算法來實(shí)現(xiàn)。

2. 人臉對齊：將檢測到的人臉圖像對齊，確保它們具有相似的尺寸、姿態(tài)和位置。這一步有助于提高后續(xù)特征提取的準(zhǔn)確性。

3. 特征提取：從對齊后的人臉圖像中提取關(guān)鍵特征，例如人臉的輪廓、眼睛、鼻子、嘴巴等。常用的特征提取方法包括主成分分析（PCA）、局部二值模式（LBP）、深度神經(jīng)網(wǎng)絡(luò)等。

4. 特征匹配：將提取的特征與事先存儲的人臉模板或數(shù)據(jù)庫中的其他人臉特征進(jìn)行比較，并計(jì)算它們之間的相似度或距離。通常采用的方法包括歐氏距離、余弦相似度等。

5. 決策階段：根據(jù)特征匹配的結(jié)果，決定是否識別為已知身份。這一階段通常會設(shè)置一個(gè)閾值來判斷匹配結(jié)果的可信度，如果相似度超過閾值，則識別為已知身份；否則，識別為未知身份或拒絕識別。

人臉識別技術(shù)在安全門禁、支付驗(yàn)證、監(jiān)控系統(tǒng)、社交媒體標(biāo)記等領(lǐng)域有著廣泛的應(yīng)用。

1、LBPH（Local Binary Patterns Histograms）算法進(jìn)行人臉訓(xùn)練和識別

LBPH（Local Binary Patterns Histograms）算法是一種用于人臉識別的經(jīng)典算法，它結(jié)合了局部二值模式（Local Binary Patterns，LBP）和直方圖統(tǒng)計(jì)的技術(shù)。下面詳細(xì)介紹LBPH算法的原理、實(shí)現(xiàn)步驟以及判斷是誰的人臉的過程：

1. 局部二值模式（LBP）：

   • LBP 是一種用于紋理分析的特征描述方法。它通過比較像素點(diǎn)與其鄰域像素的灰度值來描述圖像的局部紋理特征。將每個(gè)像素與其鄰域像素進(jìn)行比較，并根據(jù)比較結(jié)果得到一個(gè)二進(jìn)制數(shù)值，將這個(gè)數(shù)值作為該像素的特征描述。LBP 算法可以有效地捕獲圖像的紋理信息。

2. 直方圖統(tǒng)計(jì)：

   • 在 LBP 算法的基礎(chǔ)上，LBPH 算法將每個(gè)圖像分割成多個(gè)局部區(qū)域，并計(jì)算每個(gè)局部區(qū)域的 LBP 特征直方圖。這些直方圖描述了每個(gè)局部區(qū)域的紋理分布情況，從而將圖像的紋理信息轉(zhuǎn)化為了直方圖的形式。

3. 人臉識別：

   • 對于訓(xùn)練數(shù)據(jù)集中的每張人臉圖像，LBPH 算法首先提取其局部紋理特征，并計(jì)算每個(gè)局部區(qū)域的 LBP 特征直方圖。然后，利用這些直方圖作為特征向量進(jìn)行訓(xùn)練。在識別階段，LBPH 算法對輸入的測試圖像進(jìn)行同樣的處理，提取其局部紋理特征，并計(jì)算每個(gè)局部區(qū)域的 LBP 特征直方圖。接著，通過比較測試圖像的特征向量與訓(xùn)練集中已知人臉的特征向量，利用一定的分類算法（如K最近鄰算法）進(jìn)行匹配和判別，從而確定測試圖像屬于哪個(gè)人。

2、實(shí)現(xiàn)步驟：

1. 準(zhǔn)備訓(xùn)練數(shù)據(jù)集：

   • 收集包含多個(gè)人臉圖像的數(shù)據(jù)集，并為每張圖像標(biāo)注對應(yīng)的人物標(biāo)簽。

2. 提取局部紋理特征：

   • 對于每張人臉圖像，利用 LBP 算法提取其局部紋理特征，得到每個(gè)局部區(qū)域的 LBP 特征描述。

3. 構(gòu)建特征向量：

   • 將每個(gè)局部區(qū)域的 LBP 特征直方圖組合成一個(gè)完整的特征向量，作為該圖像的特征描述。

4. 訓(xùn)練模型：

   • 利用訓(xùn)練數(shù)據(jù)集中的特征向量，通過一定的機(jī)器學(xué)習(xí)算法（如K最近鄰算法、支持向量機(jī)等）訓(xùn)練模型，得到人臉識別模型。

5. 人臉識別：

   • 對于新的測試圖像，同樣提取其局部紋理特征，并計(jì)算每個(gè)局部區(qū)域的 LBP 特征直方圖。然后，利用訓(xùn)練好的模型對測試圖像的特征向量進(jìn)行匹配和判別，確定其所屬的人物標(biāo)簽。

3、判斷是誰的人臉：

1. 訓(xùn)練模型：

   • 在訓(xùn)練階段，LBPH 算法利用已知的人臉圖像數(shù)據(jù)集，構(gòu)建了一個(gè)能夠?qū)⑷四槇D像特征與對應(yīng)人物標(biāo)簽關(guān)聯(lián)起來的模型。

2. 測試識別：

   • 在識別階段，LBPH 算法對輸入的測試圖像提取特征，并利用訓(xùn)練好的模型對其進(jìn)行匹配和判別。根據(jù)匹配結(jié)果，確定測試圖像屬于哪個(gè)已知的人物標(biāo)簽。

3. 置信度評估：

   • LBPH 算法通常會返回識別結(jié)果的置信度（confidence）值，用于評估識別的準(zhǔn)確度。較高的置信度值表示模型對于當(dāng)前圖像的識別結(jié)果較為自信，而較低的置信度值可能表示模型對于當(dāng)前圖像的識別困難程度較大。

案例中涉及的關(guān)鍵函數(shù)說明如下

1）準(zhǔn)備訓(xùn)練數(shù)據(jù)集：load_training_data(data_dir)

參數(shù)：

• data_dir（字符串）：包含訓(xùn)練圖像的目錄路徑。

功能： 該函數(shù)用于加載訓(xùn)練數(shù)據(jù)集。它遍歷指定目錄下的圖像文件，并將每個(gè)圖像轉(zhuǎn)換為灰度圖像。每個(gè)圖像的路徑提供了標(biāo)簽信息，標(biāo)簽即為圖像所在的目錄名稱。

注意事項(xiàng)：

• data_dir 應(yīng)包含不同類別的圖像，每個(gè)類別的圖像應(yīng)放置在以其類別名稱命名的子目錄中。

2）預(yù)處理圖像：preprocess_images(faces)

參數(shù)：

• faces（列表）：包含原始訓(xùn)練圖像的灰度圖像列表。

功能： 該函數(shù)用于對訓(xùn)練圖像進(jìn)行預(yù)處理。它將每個(gè)圖像調(diào)整為相同的大小（這里是100x100像素）。

注意事項(xiàng)：

• 輸入的 faces 列表應(yīng)包含灰度圖像，且每個(gè)圖像的尺寸可以不同。
• 預(yù)處理后的圖像會覆蓋原始圖像，因此建議在調(diào)用該函數(shù)前備份原始圖像數(shù)據(jù)。

3）訓(xùn)練 LBPH 人臉識別器：train_lbph(faces, labels)

參數(shù)：

• faces（列表）：包含預(yù)處理后的訓(xùn)練圖像的灰度圖像列表。
• labels（列表）：包含每個(gè)訓(xùn)練圖像對應(yīng)的標(biāo)簽列表。

功能： 該函數(shù)創(chuàng)建 LBPH 人臉識別器，并使用給定的訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練。

注意事項(xiàng)：

• faces 和 labels 應(yīng)具有相同的長度，且一一對應(yīng)。
• 訓(xùn)練數(shù)據(jù)集應(yīng)包含足夠多的樣本，并且覆蓋各種姿態(tài)、光照和表情等變化。

4）讀取測試圖像：load_test_image(image_path)

參數(shù)：

• image_path（字符串）：測試圖像文件的路徑。

功能： 該函數(shù)用于加載測試圖像，并將其轉(zhuǎn)換為灰度圖像。

注意事項(xiàng)：

• 輸入的測試圖像應(yīng)為灰度圖像。

5）預(yù)處理測試圖像：preprocess_test_image(test_image)

參數(shù)：

• test_image（二維數(shù)組）：灰度測試圖像。

功能： 該函數(shù)用于對測試圖像進(jìn)行預(yù)處理，將其調(diào)整為與訓(xùn)練圖像相同的大小。

注意事項(xiàng)：

• 輸入的測試圖像應(yīng)為灰度圖像。
• 預(yù)處理后的測試圖像會覆蓋原始圖像數(shù)據(jù)，因此建議在調(diào)用該函數(shù)前備份原始測試圖像數(shù)據(jù)。

6）進(jìn)行人臉識別：recognize_face(model, test_image)

參數(shù)：

• model（cv2.face_LBPHFaceRecognizer）：訓(xùn)練好的 LBPH 人臉識別器。
• test_image（二維數(shù)組）：預(yù)處理后的測試圖像。

功能： 該函數(shù)使用訓(xùn)練好的 LBPH 人臉識別器對預(yù)處理后的測試圖像進(jìn)行識別，并返回預(yù)測的標(biāo)簽和置信度。

注意事項(xiàng)：

• 輸入的 test_image 應(yīng)為預(yù)處理后的灰度圖像。
• 人臉識別器的模型應(yīng)已經(jīng)經(jīng)過訓(xùn)練。

7）測試人臉識別器：test_face_recognition(data_dir, test_image_path)

參數(shù)：

• data_dir（字符串）：包含訓(xùn)練圖像的目錄路徑。
• test_image_path（字符串）：測試圖像文件的路徑。

功能： 該函數(shù)是主函數(shù)，用于測試人臉識別器。它調(diào)用了前面定義的各個(gè)功能函數(shù)，并輸出識別結(jié)果。

注意事項(xiàng)：

• data_dir 應(yīng)包含不同類別的圖像，每個(gè)類別的圖像應(yīng)放置在以其類別名稱命名的子目錄中。
• 測試圖像應(yīng)為單個(gè)灰度圖像文件。

三、簡單進(jìn)行人臉訓(xùn)練與識別案例實(shí)現(xiàn)簡單步驟

1、準(zhǔn)備訓(xùn)練數(shù)據(jù)

這里使用1文件夾 湯姆漢克斯的頭像，2 文件夾皮特的頭像

2、待測試的是 2 皮特的頭像

3、編寫代碼

3、運(yùn)行結(jié)果

識別還是對了的，你們也可以試試其他圖片

4、編輯代碼文章來源地址http://www.zghlxwxcb.cn/news/detail-858778.html

"""
簡單進(jìn)行人臉訓(xùn)練與識別
    1、準(zhǔn)備訓(xùn)練數(shù)據(jù)集：
    2、提取局部紋理特征：
    3、構(gòu)建特征向量：
    4、訓(xùn)練模型：
    5、人臉識別：
"""

import cv2
import os
import numpy as np


def load_training_data(data_dir):
    """
    從指定目錄加載訓(xùn)練數(shù)據(jù)集
    :param data_dir:(str) 包含訓(xùn)練圖像的目錄路徑
    :return:tuple 包含訓(xùn)練圖像和對應(yīng)標(biāo)簽的元組 (faces, labels)
    """

    if not isinstance(data_dir, str) or not data_dir.strip():
        raise ValueError("Invalid data directory path.")

    faces = []  # 存儲人臉圖像
    labels = []  # 存儲人臉標(biāo)簽

    for root, dirs, files in os.walk(data_dir):
        for file in files:
            if file.endswith('.jpg') or file.endswith('.png'):
                img_path = os.path.join(root, file)
                label = os.path.basename(root)
                face_img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
                if face_img is not None:
                    faces.append(face_img)
                    labels.append(int(label))

    if not faces or not labels:
        raise ValueError("No valid training data found in the directory:", data_dir)

    return faces, labels


def preprocess_images(faces):
    """
    對圖像列表進(jìn)行預(yù)處理，調(diào)整圖像大小為100x100像素
    :param faces: (list) 包含人臉圖像的列表
    :return: list 預(yù)處理后的人臉圖像列表
    """
    if not isinstance(faces, list) or not faces:
        raise ValueError("Invalid input: faces must be a non-empty list of images.")

    preprocessed_faces = []
    for face in faces:
        if face is not None:
            face = cv2.resize(face, (100, 100))  # 調(diào)整圖像大小
            preprocessed_faces.append(face)
    return preprocessed_faces


def train_lbph(faces, labels):
    """
    使用 LBPH 算法訓(xùn)練人臉識別器
    :param faces: (list) 包含訓(xùn)練圖像的列表
    :param labels: (list) 包含訓(xùn)練圖像對應(yīng)標(biāo)簽的列表
    :return: cv2.face_LBPHFaceRecognizer: 訓(xùn)練完成的 LBPH 人臉識別器模型
    """
    if not isinstance(faces, list) or not faces:
        raise ValueError("Invalid input: faces must be a non-empty list of images.")

    if not isinstance(labels, list) or not labels:
        raise ValueError("Invalid input: labels must be a non-empty list of integers.")

    if len(faces) != len(labels):
        raise ValueError("Mismatch in the number of faces and labels.")

    model = cv2.face.LBPHFaceRecognizer_create()
    model.train(faces, np.array(labels))
    return model


def load_test_image(image_path):
    """
    加載測試圖像
    :param image_path: (str) 測試圖像文件路徑
    :return: numpy.ndarray 加載的測試圖像
    """
    if not isinstance(image_path, str) or not image_path.strip():
        raise ValueError("Invalid image path.")

    test_image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    if test_image is None:
        raise ValueError("Failed to load test image from path:", image_path)
    return test_image


def preprocess_test_image(test_image):
    """
    預(yù)處理測試圖像，調(diào)整大小為100x100像素
    :param test_image: (numpy.ndarray) 待處理的測試圖像
    :return: numpy.ndarray 預(yù)處理后的測試圖像
    """

    if test_image is None:
        raise ValueError("Invalid input: test_image is None.")

    test_image = cv2.resize(test_image, (100, 100))  # 調(diào)整圖像大小
    return test_image


def recognize_face(model, test_image):
    """
    使用訓(xùn)練好的模型識別人臉
    :param model: (cv2.face_LBPHFaceRecognizer) 訓(xùn)練完成的 LBPH 人臉識別器模型
    :param test_image: (numpy.ndarray) 待識別的測試圖像
    :return: tuple 識別結(jié)果的標(biāo)簽和置信度 (label, confidence)
    """
    if model is None or not isinstance(model, cv2.face_LBPHFaceRecognizer):
        raise ValueError("Invalid model: model must be a trained LBPH face recognizer.")

    if test_image is None:
        raise ValueError("Invalid input: test_image is None.")

    label, confidence = model.predict(test_image)
    return label, confidence


def test_face_recognition(data_dir, test_image_path):
    """
    測試人臉識別器
    :param data_dir: (str) 包含訓(xùn)練圖像的目錄路徑
    :param test_image_path: (str) 測試圖像文件路徑
    :return: tuple 識別結(jié)果的標(biāo)簽和置信度 (label, confidence)
    """
    # 加載訓(xùn)練數(shù)據(jù)集
    faces, labels = load_training_data(data_dir)

    # 預(yù)處理訓(xùn)練數(shù)據(jù)集
    preprocessed_faces = preprocess_images(faces)

    # 訓(xùn)練 LBPH 人臉識別器
    model = train_lbph(preprocessed_faces, labels)

    # 讀取測試圖像
    test_image = load_test_image(test_image_path)

    # 預(yù)處理測試圖像
    preprocessed_test_image = preprocess_test_image(test_image)

    # 進(jìn)行人臉識別
    label, confidence = recognize_face(model, preprocessed_test_image)

    return label, confidence


# 測試人臉識別器
if __name__ == "__main__":
    data_dir = "Images/Face/Train"
    test_image_path = "Images/Face/Test/Test_Peter.png"
    label, confidence = test_face_recognition(data_dir, test_image_path)
    print("Predicted label:", label)
    print("Confidence:", confidence)

四、注意事項(xiàng)

1. 確保訓(xùn)練數(shù)據(jù)集包含足夠多的人臉圖像，并且標(biāo)簽信息正確。
2. 對訓(xùn)練圖像進(jìn)行預(yù)處理時(shí)，要保持圖像大小的一致性，以便于訓(xùn)練模型。
3. 在訓(xùn)練 LBPH 人臉識別器時(shí)，要確保提供正確的訓(xùn)練數(shù)據(jù)集和標(biāo)簽信息。
4. 測試圖像的加載和預(yù)處理要正確，避免出現(xiàn)圖像加載失敗或尺寸不匹配的問題。
5. 人臉識別結(jié)果的可信度（confidence）值可以用于評估識別的準(zhǔn)確度，較低的可信度值可能表示模型對于當(dāng)前圖像的識別困難程度較大。

到了這里，關(guān)于Python 基于 OpenCV 視覺圖像處理實(shí)戰(zhàn) 之 OpenCV 簡單人臉檢測/識別實(shí)戰(zhàn)案例 之六 簡單進(jìn)行人臉訓(xùn)練與識別的文章就介紹完了。如果您還想了解更多內(nèi)容，請?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)！