计算机视觉基础25—人脸检测和人脸识别
参考书目：《OpenCV计算机视觉基础教程》–夏帮贵。
代码编写：Jupyter Notebook。
1.人脸检测
# 人脸检测：在图像中完成人脸定位的过程；
# 人脸识别：在人脸检测的基础上进一步判断人的身份；
# 1.基于Haar的人脸检测
# 在haarcascades文件夹中包含训练好的Haar级联分类器文件；
# a.haarcascade_eye.xml：人眼检测；
# b.haarcascade_eye_tree_eyeglasses.xml：眼镜检测；
# c.haarcascade_frontalcatface.xml：猫脸检测；
# d.haarcascade_frontalface_alt.xml：人脸检测；
# e.haarcascade_frontalface_default.xml：人脸检测；
# f.haarcascade_profileface.xml：侧脸检测；
# 1.1 加载分类器
# 语法格式：faceClassifier = cv2.CascadeClassifier(filename)
# 参数说明：
# a.faceClassifier：返回的级联分类器对象；
# b.filename：级联分类器的文件名；
# 1.2 执行检测
# 语法格式：objects = faceClassifier.detectMultiScale(image[, scaleFactor[, minNeighbors[, flags[, minSize[, maxSize]]]]])
# 参数说明：
# a.objects：返回的目标矩形，矩形中为人脸；
# b.image：输入图像，通常为灰度图像；
# c.scaleFactor：图像缩放比例；
# d.minNeighbors：构成目标矩形的最小相邻矩形个数；
# e.minSize：目标矩形的最小尺寸；
# f.maxSize：目标矩形的最大尺寸；
import cv2 as cv
img1 = cv.imread("women_football_team.jpg")
gray = cv.cvtColor(img1, cv.COLOR_BGR2GRAY)
# 加载人脸检测器
face = cv.CascadeClassifier("C:ProgramDataAnaconda3Libraryetchaarcascadeshaarcascade_frontalface_default.xml")
# 加载眼睛检测器
eye = cv.CascadeClassifier("C:ProgramDataAnaconda3Libraryetchaarcascadeshaarcascade_eye.xml")
faces = face.detectMultiScale(gray)
for x, y, w, h in faces:
cv.rectangle(img1, (x, y), (x + w, y + h), (255, 0, 0), 2)
roi_eye = gray[y : y + h, x : x + w] # 根据人脸获得眼睛的检测范围
eyes = eye.detectMultiScale(roi_eye)
for (ex, ey, ew, eh) in eyes:
cv.circle(img1[y : y + h, x : x + w], (int(ex + ew / 2), int(ey + eh / 2)), int(max(ew, eh) / 2), (0, 255, 0), 2)
cv.imshow("face_detect", img1)
cv.waitKey(0)
# 使用Haar级联分类器检测猫脸
import cv2 as cv
img1 = cv.imread("cats.JPG")
gray = cv.cvtColor(img1, cv.COLOR_BGR2GRAY)
# 加载猫脸检测器
face = cv.CascadeClassifier("C:ProgramDataAnaconda3Libraryetchaarcascadeshaarcascade_frontalcatface.xml")
faces = face.detectMultiScale(gray)
for x, y, w, h in faces:
cv.rectangle(img1, (x, y), (x + w, y + h), (255, 0, 0), 2)
cv.imshow("catfaces", img1)
cv.waitKey(0)
# 使用Haar级联分类器检测摄像头视频中的人脸
import cv2 as cv
capture = cv.VideoCapture(0)
if not capture.isOpened:
print("打开摄像头失败！")
exit(0)
# 加载人脸检测器
face = cv.CascadeClassifier("C:ProgramDataAnaconda3Libraryetchaarcascadeshaarcascade_frontalface_default.xml")
# 加载眼睛检测器
eye = cv.CascadeClassifier("C:ProgramDataAnaconda3Libraryetchaarcascadeshaarcascade_eye.xml")
while True:
ret, frame = capture.read()
if frame is None:
break
gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)
faces = face.detectMultiScale(gray)
for x, y, w, h in faces:
cv.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)
roi_eye = gray[y:y+h, x:x+w]
eyes = eye.detectMultiScale(roi_eye)
for (ex, ey, ew, eh) in eyes:
cv.circle(frame[y:y+h, x:x+w], (int(ex + ew / 2), int(ey + eh / 2)), int(max(ew, eh) / 2), (0, 255, 0), 2)
cv.imshow("faces", frame)
key = cv.waitKey(0) & 0xFF
if (key == 27) or ord("q"):
break
capture.release()
cv.destroyAllWindows()
2.人脸识别
# 1.特征脸(EigenFaces)人脸识别
# EigenFaces使用主要成分分析(Principal Component Analysis，PCA)方法将人脸数据从高维处理成低维后，
# 获得人脸数据的主要成分信息，进而完成人脸识别；
# 基本步骤：
# a.调用cv2.face.EigenFaceRecognizer_create()创建识别器；
# b.调用识别器的train()方法，以便使用已知图像进行训练模型；
# c.调用识别器的predict()方法，以便使用未知图像进行识别，确认其身份；
# 1.1 创建识别器
# 语法格式：recognizer = cv2.face.EigenFaceRecognizer_create([num_components[, thresholod]])
# 参数说明：
# a.recognizer：返回的EigenFaces识别器对象；
# b.num_components：分析时的分量个数；默认值：0，表示根据实际输入决定；
# c.threshold：人脸识别时采用的阈值；
# 1.2 训练模型
# 语法格式：recognizer.train(src, labels)
# 参数说明：
# a.src：用于训练的已知图像数组；图像必须为灰度图像，且大小相同；
# b.labels：标签数组；
# 1.3 人脸识别预测
# 语法格式：label, confidence = recognizer.predict(testing)
# 参数说明：
# a.testing：未知人脸图像，必须为灰度图像，且与训练图像大小相同；
# b.label：返回的标签值；
# c.confidence：返回的可信度，表示未知人脸和模型已知人脸之间的距离；0表示完全匹配，低于5000则认为是可靠的匹配结果；
import cv2 as cv
import numpy as np
img1 = cv.imread("facerecognition/1_1.jpg", 0)
img2 = cv.imread("facerecognition/1_2.jpg", 0)
img3 = cv.imread("facerecognition/2_1.jpg", 0)
img4 = cv.imread("facerecognition/2_2.jpg", 0)
img5 = cv.imread("facerecognition/3_1.jpg", 0)
img6 = cv.imread("facerecognition/3_2.jpg", 0)
train_images = [img1, img2, img3, img4, img5, img6]
labels = np.array([0, 0, 1, 1, 2, 2])
recognizer = cv.face.EigenFaceRecognizer_create()
recognizer.train(train_images, labels)
testimg1 = cv.imread("facerecognition/7.jpg", 0)
testimg2 = cv.imread("facerecognition/2_3.jpg", 0)
testimg3 = cv.imread("facerecognition/3_3.jpg", 0)
label1, confidence1 = recognizer.predict(testimg1)
label2, confidence2 = recognizer.predict(testimg2)
label3, confidence3 = recognizer.predict(testimg3)
print("匹配标签：", label1)
print("可信度：", confidence1) # 注意，该可信度高于5000，识别结果不可靠；
print("匹配标签：", label2)
print("可信度：", confidence2)
print("匹配标签：", label3)
print("可信度：", confidence3)
# 结果输出：
匹配标签： 0
可信度： 6330.208283003789
匹配标签： 1
可信度： 472.850776831913
匹配标签： 2
可信度： 4813.318969729076
# 2.人鱼脸(FisherFaces)人脸识别
# FisherFaces使用线性判别分析(Linear Discriminant Analysis，LDA)实现人脸识别；
# 基本步骤：
# a.调用cv2.face.FisherFaceRecognizer_create()函数创建FisherFaces识别器；
# b.调用cv2.train()方法，以便使用已知图像训练模型；
# c.调用cv2.predict()方法，以便识别未知图像，确认身份；
import cv2 as cv
import numpy as np
img1 = cv.imread("facerecognition/1_1.jpg", 0)
img2 = cv.imread("facerecognition/1_2.jpg", 0)
img3 = cv.imread("facerecognition/2_1.jpg", 0)
img4 = cv.imread("facerecognition/2_2.jpg", 0)
img5 = cv.imread("facerecognition/3_1.jpg", 0)
img6 = cv.imread("facerecognition/3_2.jpg", 0)
train_images = [img1, img2, img3, img4, img5, img6]
labels = np.array([0, 0, 1, 1, 2, 2])
recognizer = cv.face.FisherFaceRecognizer_create()
recognizer.train(train_images, labels)
testimg1 = cv.imread("facerecognition/7.jpg", 0)
testimg2 = cv.imread("facerecognition/2_3.jpg", 0)
testimg3 = cv.imread("facerecognition/3_3.jpg", 0)
label1, confidence1 = recognizer.predict(testimg1)
label2, confidence2 = recognizer.predict(testimg2)
label3, confidence3 = recognizer.predict(testimg3)
print("匹配标签：", label1)
print("可信度：", confidence1) # 注意，识别结果不可靠；
print("匹配标签：", label2)
print("可信度：", confidence2)
print("匹配标签：", label3)
print("可信度：", confidence3)
匹配标签： 2
可信度： 3496.186604323862
匹配标签： 1
可信度： 102.56612713281567
匹配标签： 2
可信度： 1102.977592421783
# 3.局部二进制编码直方图(LBPH，Local Binary Patterns Histograms)
# 基本原理：
# a.取像素x周围(领域)的8个像素与其比较，像素值比像素x大的取0，否则取1；
# 将8个像素对应的0、1连接得到一个8位二进制数，将其转换为十进制数，作为像素x的LBP值；
# b.对图像的所有像素按相同的方法进行处理，得到整个图像的LBP图像，该图像的直方图就是图像的LBPH；
# LBPH人脸识别的步骤：
# a.调用cv2.face.LBPHFaceRecognizer_create()函数创建LBPH识别器；
# b.调用识别器的train()方法，以便训练模型；
# c.调用识别器的predict()方法，以便识别未知图像，确认身份；
# 3.1 创建LBPH识别器
# 语法格式：recognizer = cv2.face.LBPHRecognizer_create([, radius[, neighbors[, grid_x[, grid_y[, threshold]]]]])
# 参数说明：
# a.recognizer：返回的LBPH识别器对象；
# b.radius：邻域的半径大小；
# c.neighbors：邻域内像素点的数量，默认值：8；
# d.grid_x：将LBP图像划分为多个单元格时，水平方向上的单元格数量，默认值：8；
# e.grid_y：将LBP图像划分为多个单元格时，垂直方向上的单元格数量，默认值：8；
# f.threshold：人脸识别时采用的阈值；
# 3.2 训练模型
# 语法格式：recognizer.train(src, labels)
# 参数说明：
# a.src：用于训练的已知图像数组，所有图像必须为灰度图像，且大小相同；
# b.labels：标签数组；
# 3.3 人脸识别
# 语法格式：label, confidence = recognizer.predict(testimg)
# 参数说明：
# a.testimg：未知人脸图像；
# b.label：返回的识别标签值；
# c.confidence：返回的可信度，0表示完全匹配，低于50认为是非常可靠的匹配结果；
import cv2 as cv
import numpy as np
img1 = cv.imread("facerecognition/1_1.jpg", 0)
img2 = cv.imread("facerecognition/1_2.jpg", 0)
img3 = cv.imread("facerecognition/2_1.jpg", 0)
img4 = cv.imread("facerecognition/2_2.jpg", 0)
img5 = cv.imread("facerecognition/3_1.jpg", 0)
img6 = cv.imread("facerecognition/3_2.jpg", 0)
train_images = [img1, img2, img3, img4, img5, img6]
labels = np.array([0, 0, 1, 1, 2, 2])
recognizer = cv.face.LBPHFaceRecognizer_create()
recognizer.train(train_images, labels)
testimg1 = cv.imread("facerecognition/7.jpg", 0)
testimg2 = cv.imread("facerecognition/2_3.jpg", 0)
testimg3 = cv.imread("facerecognition/3_3.jpg", 0)
testimg4 = cv.imread("facerecognition/3_2.jpg", 0)
label1, confidence1 = recognizer.predict(testimg1)
label2, confidence2 = recognizer.predict(testimg2)
label3, confidence3 = recognizer.predict(testimg3)
label4, confidence4 = recognizer.predict(testimg4)
print("匹配标签：", label1)
print("可信度：", confidence1) # 注意，识别结果不可靠；
print("匹配标签：", label2)
print("可信度：", confidence2)
print("匹配标签：", label3)
print("可信度：", confidence3)
print("匹配标签：", label4)
print("可信度：", confidence4)
# 结果输出：
匹配标签： 0
可信度： 48.09836604698404
匹配标签： 1
可信度： 28.451521738224358
匹配标签： 2
可信度： 72.14613446383872
匹配标签： 2
可信度： 0.0
本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
THE END
二维码