人脸识别

时间 2019-11-17

标签识别繁體版

原文原文链接

上一节讲到人脸检测，如今讲一下人脸识别。具体是经过程序采集图像并进行训练，而且基于这些训练的图像对人脸进行动态识别。javascript

人脸识别前所须要的人脸库能够经过两种方式得到：1.本身从视频获取图像 2.从人脸数据库免费得到可用人脸图像，如ORL人脸库（包含40我的每人10张人脸，总共400张人脸），ORL人脸库中的每一张图像大小为92x112。若要对这些样本进行人脸识别必需要在包含人脸的样本图像上进行人脸识别。这里提供本身准备图像识别出本身的方法。java

1.采集人脸信息：经过摄像头采集人脸信息，10张以上便可，把图像大小调整为92x112，保存在一个指定的文件夹，文件名后缀为.pngpython

def generator(data):
    '''
    打开摄像头，读取帧，检测该帧图像中的人脸，并进行剪切、缩放
    生成图片知足如下格式：
    1.灰度图，后缀为 .png
    2.图像大小相同
    params:
        data:指定生成的人脸数据的保存路径
    '''
    
    name=input('my name:')
    #若是路径存在则删除路径
    path=os.path.join(data,name)
    if os.path.isdir(path):
        shutil.rmtree(path)
    #建立文件夹
    os.mkdir(path)
    #建立一个级联分类器
    face_casecade=cv2.CascadeClassifier('../haarcascades/haarcascade_frontalface_default.xml')
    #打开摄像头
    camera=cv2.VideoCapture(0)
    cv2.namedWindow('Dynamic')
    #计数
    count=1
    
    while(True):
        #读取一帧图像
        ret,frame=camera.read()
        if ret:
            #转换为灰度图
            gray_img=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
            #人脸检测
            face=face_casecade.detectMultiScale(gray_img,1.3,5)
            for (x,y,w,h) in face:
                #在原图上绘制矩形
                cv2.rectangle(frame,(x,y),(x+w,y+h),(0,0,255),2)
                #调整图像大小
                new_frame=cv2.resize(frame[y:y+h,x:x+w],(92,112))
                #保存人脸
                cv2.imwrite('%s/%s.png'%(path,str(count)),new_frame)
                count+=1
            cv2.imshow('Dynamic',frame)
            #按下q键退出
            if cv2.waitKey(100) & 0xff==ord('q'):
                break
    camera.release()
    cv2.destroyAllWindows()

该程序运行后会在指定的data路径下建立一个你输入的人名的文件夹用于存放采集到的图像，在这里我输入了wjy，结果如图git

2.人脸识别github

OpenCV有3中人脸识别方法，分别基于三个不一样算法，分别为Eigenfaces，Fisherfaces和Local Binary Pattern Histogramweb

这些方法都有相似的一个过程，即先对数据集进行训练，对图像或视频中的人脸进行分析，而且从两个方面肯定：1.是否识别到对应的目标，2.识别到的目标的置信度，在实际中经过阈值进行筛选，置信度高于阈值的人脸将被丢弃算法

这里介绍一下利用特征脸即Eigenfaces进行人脸识别算法，特征脸法本质上就是PCA降维，基本思路是先把图像灰度化，转化为单通道，再将它首位相接转换为列向量，假设图像的大小是20*20的，那么这个向量就是400维，可是维度过高算法复杂度也会升高，因此须要降维，再使用简单排序便可数据库

#载入图像   读取ORL人脸数据库，准备训练数据
def LoadImages(data):
    '''
    加载图片数据用于训练
    params:
        data:训练数据所在的目录，要求图片尺寸同样
    ret:
        images:[m,height,width]  m为样本数，height为高，width为宽
        names：名字的集合
        labels：标签
    '''
    images=[]
    names=[]
    labels=[]
    
    label=0
    
    #遍历全部文件夹
    for subdir in os.listdir(data):
        subpath=os.path.join(data,subdir)
        #print('path',subpath)
        #判断文件夹是否存在
        if os.path.isdir(subpath):
            #在每个文件夹中存放着一我的的许多照片
            names.append(subdir)
            #遍历文件夹中的图片文件
            for filename in os.listdir(subpath):
                imgpath=os.path.join(subpath,filename)
                img=cv2.imread(imgpath,cv2.IMREAD_COLOR)
                gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
                #cv2.imshow('1',img)
                #cv2.waitKey(0)
                images.append(gray_img)
                labels.append(label)
            label+=1
    images=np.asarray(images)
    #names=np.asarray(names)
    labels=np.asarray(labels)
    return images,labels,names
        
    
#检验训练结果
def FaceRec(data):
    #加载训练的数据
    X,y,names=LoadImages(data)
    #print('x',X)
    model=cv2.face.EigenFaceRecognizer_create()
    model.train(X,y)
    
    #打开摄像头
    camera=cv2.VideoCapture(0)
    cv2.namedWindow('Dynamic')
    
    #建立级联分类器
    face_casecade=cv2.CascadeClassifier('../haarcascades/haarcascade_frontalface_default.xml')    
    
    while(True):
        #读取一帧图像
        #ret:图像是否读取成功
        #frame：该帧图像
        ret,frame=camera.read()
        #判断图像是否读取成功
        #print('ret',ret)
        if ret:
            #转换为灰度图
            gray_img=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)

            #利用级联分类器鉴别人脸
            faces=face_casecade.detectMultiScale(gray_img,1.3,5)
            
            #遍历每一帧图像，画出矩形
            for (x,y,w,h) in faces:
                frame=cv2.rectangle(frame,(x,y),(x+w,y+h),(255,0,0),2)  #蓝色
                roi_gray=gray_img[y:y+h,x:x+w]
                
                try:
                    #将图像转换为宽92 高112的图像
                    #resize（原图像，目标大小，（插值方法）interpolation=，）
                    roi_gray=cv2.resize(roi_gray,(92,112),interpolation=cv2.INTER_LINEAR)
                    params=model.predict(roi_gray)
                    print('Label:%s,confidence:%.2f'%(params[0],params[1]))
                    '''
                    putText:给照片添加文字
                    putText(输入图像，'所需添加的文字'，左上角的坐标，字体，字体大小，颜色，字体粗细)
                    '''
                    cv2.putText(frame,names[params[0]],(x,y-20),cv2.FONT_HERSHEY_SIMPLEX,1,255,2)
                except:
                    continue
                
            cv2.imshow('Dynamic',frame)
                
                #按下q键退出
            if cv2.waitKey(100) & 0xff==ord('q'):
                break
    camera.release()
    cv2.destroyAllWindows()

在程序中，咱们用cv2.face.EigenFaceRecognizer_create()建立人脸识别的模型，经过图像数组和对应标签数组来训练模型，该函数有两个重要的参数，1.保留主成分的数目，2.指定的置信度阈值，为一个浮点型。数组

下面就是基本重复人脸检测的相关操做，经过检测到视频中的人脸进行人脸识别，有以下两个步骤：app

1.将检测到的人脸图像调整为92x112，即须要和训练的图像的尺寸相同

2.调用predict()函数进行人脸预测，该函数会返回两个元素的数组，第一个是识别个体的标签，第二个是置信度，越小匹配度越高，0表示彻底匹配，须要了解的是不一样算法的置信度评分机制不一样。

附上结果图

# -*- coding: utf-8 -*-
"""
Created on Sat Oct 27 11:43:47 2018

@author: Administrator
"""

'''
调用opencv的库实现人脸识别
'''

import cv2
import numpy as np
import os
import shutil

#采集本身的人脸数据
def generator(data):
    '''
    打开摄像头，读取帧，检测该帧图像中的人脸，并进行剪切、缩放
    生成图片知足如下格式：
    1.灰度图，后缀为 .png
    2.图像大小相同
    params:
        data:指定生成的人脸数据的保存路径
    '''
    
    name=input('my name:')
    #若是路径存在则删除路径
    path=os.path.join(data,name)
    if os.path.isdir(path):
        shutil.rmtree(path)
    #建立文件夹
    os.mkdir(path)
    #建立一个级联分类器
    face_casecade=cv2.CascadeClassifier('../haarcascades/haarcascade_frontalface_default.xml')
    #打开摄像头
    camera=cv2.VideoCapture(0)
    cv2.namedWindow('Dynamic')
    #计数
    count=1
    
    while(True):
        #读取一帧图像
        ret,frame=camera.read()
        if ret:
            #转换为灰度图
            gray_img=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
            #人脸检测
            face=face_casecade.detectMultiScale(gray_img,1.3,5)
            for (x,y,w,h) in face:
                #在原图上绘制矩形
                cv2.rectangle(frame,(x,y),(x+w,y+h),(0,0,255),2)
                #调整图像大小
                new_frame=cv2.resize(frame[y:y+h,x:x+w],(92,112))
                #保存人脸
                cv2.imwrite('%s/%s.png'%(path,str(count)),new_frame)
                count+=1
            cv2.imshow('Dynamic',frame)
            #按下q键退出
            if cv2.waitKey(100) & 0xff==ord('q'):
                break
    camera.release()
    cv2.destroyAllWindows()

#载入图像   读取ORL人脸数据库，准备训练数据
def LoadImages(data):
    '''
    加载图片数据用于训练
    params:
        data:训练数据所在的目录，要求图片尺寸同样
    ret:
        images:[m,height,width]  m为样本数，height为高，width为宽
        names：名字的集合
        labels：标签
    '''
    images=[]
    names=[]
    labels=[]
    
    label=0
    
    #遍历全部文件夹
    for subdir in os.listdir(data):
        subpath=os.path.join(data,subdir)
        #print('path',subpath)
        #判断文件夹是否存在
        if os.path.isdir(subpath):
            #在每个文件夹中存放着一我的的许多照片
            names.append(subdir)
            #遍历文件夹中的图片文件
            for filename in os.listdir(subpath):
                imgpath=os.path.join(subpath,filename)
                img=cv2.imread(imgpath,cv2.IMREAD_COLOR)
                gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
                #cv2.imshow('1',img)
                #cv2.waitKey(0)
                images.append(gray_img)
                labels.append(label)
            label+=1
    images=np.asarray(images)
    #names=np.asarray(names)
    labels=np.asarray(labels)
    return images,labels,names
        
    
#检验训练结果
def FaceRec(data):
    #加载训练的数据
    X,y,names=LoadImages(data)
    #print('x',X)
    model=cv2.face.EigenFaceRecognizer_create()
    model.train(X,y)
    
    #打开摄像头
    camera=cv2.VideoCapture(0)
    cv2.namedWindow('Dynamic')
    
    #建立级联分类器
    face_casecade=cv2.CascadeClassifier('../haarcascades/haarcascade_frontalface_default.xml')    
    
    while(True):
        #读取一帧图像
        #ret:图像是否读取成功
        #frame：该帧图像
        ret,frame=camera.read()
        #判断图像是否读取成功
        #print('ret',ret)
        if ret:
            #转换为灰度图
            gray_img=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)

            #利用级联分类器鉴别人脸
            faces=face_casecade.detectMultiScale(gray_img,1.3,5)
            
            #遍历每一帧图像，画出矩形
            for (x,y,w,h) in faces:
                frame=cv2.rectangle(frame,(x,y),(x+w,y+h),(255,0,0),2)  #蓝色
                roi_gray=gray_img[y:y+h,x:x+w]
                
                try:
                    #将图像转换为宽92 高112的图像
                    #resize（原图像，目标大小，（插值方法）interpolation=，）
                    roi_gray=cv2.resize(roi_gray,(92,112),interpolation=cv2.INTER_LINEAR)
                    params=model.predict(roi_gray)
                    print('Label:%s,confidence:%.2f'%(params[0],params[1]))
                    '''
                    putText:给照片添加文字
                    putText(输入图像，'所需添加的文字'，左上角的坐标，字体，字体大小，颜色，字体粗细)
                    '''
                    cv2.putText(frame,names[params[0]],(x,y-20),cv2.FONT_HERSHEY_SIMPLEX,1,255,2)
                except:
                    continue
                
            cv2.imshow('Dynamic',frame)
                
                #按下q键退出
            if cv2.waitKey(100) & 0xff==ord('q'):
                break
    camera.release()
    cv2.destroyAllWindows()

if __name__=='__main__':
    data='./face'
    #generator(data)
    FaceRec(data)

python三步实现人脸识别

Face Recognition软件包

这是世界上最简单的人脸识别库了。你能够经过Python引用或者命令行的形式使用它，来管理和识别人脸。

该软件包使用dlib中最早进的人脸识别深度学习算法，使得识别准确率在《Labled Faces in the world》测试基准下达到了99.38%。

它同时提供了一个叫face_recognition的命令行工具，以便你能够用命令行对一个文件夹中的图片进行识别操做。

特性

在图片中识别人脸

找到图片中全部的人脸

找到并操做图片中的脸部特征

得到图片中人类眼睛、鼻子、嘴、下巴的位置和轮廓

找到脸部特征有不少超级有用的应用场景，固然你也能够把它用在最显而易见的功能上：美颜功能（就像美图秀秀那样）。

鉴定图片中的脸

识别图片中的人是谁。

你甚至能够用这个软件包作人脸的实时识别。

这里有一个实时识别的例子：

 
          https: 
          //github.com/ageitgey/face_recognition/blob/master/examples/facerec_from_webcam_faster.py

安装

环境要求

Python3.3+或者Python2.7
MacOS或者Linux（Windows不作支持，可是你能够试试，也许也能运行）

安装步骤

在MacOS或者Linux上安装

首先，确保你安装了dlib，以及该软件的Python绑定接口。若是没有的话，看这篇安装说明：

 
          https: 
          //gist.github.com/ageitgey/629d75c1baac34dfa5ca2a1928a7aeaf

而后，用pip安装这个软件包：

若是你安装遇到问题，能够试试这个安装好了的虚拟机：

 
          https: 
          //medium.com/@ageitgey/try-deep-learning-in-python-now-with-a-fully-pre-configured-vm-1d97d4c3e9b

在树莓派2+上安装

看这篇说明：

 
          https: 
          //gist.github.com/ageitgey/1ac8dbe8572f3f533df6269dab35df65

在Windows上安装

虽然Windows不是官方支持的，可是有热心网友写出了一个Windows上的使用指南，请看这里：

 
          https: 
          //github.com/ageitgey/face_recognition/issues/175#issue-257710508

使用已经配置好的虚拟机（支持VMWare和VirtualBox）

看这篇说明：

 
          https: 
          //medium.com/@ageitgey/try-deep-learning-in-python-now-with-a-fully-pre-configured-vm-1d97d4c3e9b

使用方法

命令行接口

若是你已经安装了face_recognition，那么你的系统中已经有了一个名为face_recognition的命令，你可使用它对图片进行识别，或者对一个文件夹中的全部图片进行识别。

首先你须要提供一个文件夹，里面是全部你但愿系统认识的人的图片。其中每一个人一张图片，图片以人的名字命名。

而后你须要准备另外一个文件夹，里面是你要识别的图片。

而后你就能够运行face_recognition命令了，把刚刚准备的两个文件夹做为参数传入，命令就会返回须要识别的图片中都出现了谁。

输出中，识别到的每张脸都单独占一行，输出格式为

经过Python模块使用

你能够经过导入face_recognition模块来使用它，使用方式超级简单，文档在这里：https://face-recognition.readthedocs.io

自动找到图片中全部的脸

看看这个例子本身实践一下：

 
          https: 
          //github.com/ageitgey/face_recognition/blob/master/examples/find_faces_in_picture.py

你还能够自定义替换人类识别的深度学习模型。

注意：想得到比较好的性能的话，你可能须要GPU加速（使用英伟达的CUDA库）。因此编译的时候你也须要开启dlib的GPU加速选项。

你也能够经过这个例子实践一下：

 
          https: 
          //github.com/ageitgey/face_recognition/blob/master/examples/find_faces_in_picture_cnn.py

若是你有不少图片和GPU，你也能够并行快速识别，看这篇文章：

 
          https: 
          //github.com/ageitgey/face_recognition/blob/master/examples/find_faces_in_batches.py

自动识别人脸特征

试试这个例子：

 
          https: 
          //github.com/ageitgey/face_recognition/blob/master/examples/find_facial_features_in_picture.py

识别人脸鉴定是哪一个人

这里是一个例子：

1
https://github.com/ageitgey/face_recognition/blob/master/examples/recognize_faces_in_pictures.py

posted @ 2019-08-05 18:34 Huanghongzheng 阅读( ...) 评论( ...) 编辑收藏