前言

前段時間摸了下機器學習，然后我發現其實openCV還是一個很浩瀚的庫的，現在也正在寫一篇有關yolo的博客，不過感覺理論偏多，所以在學yolo之前先摸一下opencv，簡單先寫個項目感受感受opencv。

流程

openCV實際上已經有一個比較完整的模型了，下載在haarcascades

這里我們下haarcascade_frontalface_default.xml以備用。

在做人臉識別的時候流程就比較簡單了

1. 讀取圖片
2. 創建Haar級聯器
3. 圖片轉灰度圖（可以不轉，轉了能更快而已）
4. 通過Haar級聯分類器來檢測人臉面部特征，返回faces結構
5. 使用openCV的接口，在原圖上框選出結果，并展示

編碼

這里代碼偏簡單，就不過多介紹了

import numpy as np
import cv2

img = './faces/lena.bmp'
#臉部Haar級聯器
facer_path = './faces/haarcascade_frontalface_default.xml'
facer = cv2.CascadeClassifier(facer_path)

img = cv2.imread(img)

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)


#執行人臉識別

#現在可以使用Haar級聯分類器來檢測人臉和其他面部特征

faces = facer.detectMultiScale(gray,1.35,3)

for(x,y,w,h) in faces:
    cv2.rectangle(img,(x,y),(x+w,y+h),(0,0,255),2)
    roi_img = img[y:y+h, x:x+w]

cv2.imshow('img', img)
cv2.waitKey()

結果：

進階

且不看運行的結果如何，但從結果你就可以看出來，這里只是把人臉從圖片中框出來了。但這還不夠，我們實際上不僅希望你可以把人臉圈出來，還希望能把人臉分類，比如A是A，B是B這樣。

OpenCV提供了3種人臉識別方法，分別是Eigenfaces、Fisherfaces和LBPH。這3種方法都是通過對比樣本的特征最終實現人臉識別。因為這3種算法提取特征的方式不一樣，側重點不同，所以不能分出孰優孰劣，只能說每種方法都有各自的識別風格。 OpenCV為每一種人臉識別方法都提供了創建識別器、訓練識別器和識別3種方法，這3種方法的語法非常相似。我這里只簡單說說Eigenfaces怎么調用，至于其他的兩種讀者感興趣可以自己去搜索。

Eigenfaces人臉識別器

Eigenfaces也叫作“特征臉”。Eigenfaces通過PCA（主成分分析）方法將人臉數據轉換到另外一個空間維度做相似性計算。在計算過程中，算法可以忽略一些無關緊要的數據，僅識別一些具有代表性的特征數據，最后根據這些特征識別人臉。 開發者需要通過以下3種方法完成人臉識別操作。

（1）通過cv2.face.EigenFaceRecognizer_create()方法創建Eigenfaces人臉識別器，其語法如下：

recognizer = cv2.face.EigenFaceRecognizer_create(num_components, threshold)

參數說明：

num_components：可選參數，PCA方法中保留的分量個數，建議使用默認值。

threshold：可選參數，人臉識別時使用的閾值，建議使用默認值。

返回值說明：

recognizer：創建的Eigenfaces人臉識別器對象。

（2）創建識別器對象后，需要通過對象的train()方法訓練識別器。建議每個人都給出2幅以上的人臉圖像作為訓練樣本。train()方法的語法如下：

recognizer.train(src, labels)

對象說明：

recognizer：已有的Eigenfaces人臉識別器對象。 參數說明：

src：用來訓練的人臉圖像樣本列表，格式為list。樣本圖像必須寬、高一致。

labels：樣本對應的標簽，格式為數組，元素類型為整數。數組長度必須與樣本列表長度相同。樣本與標簽按照插入順序一一對應。

（3）訓練識別器后可以通過識別器的predict()方法識別人臉，該方法對比樣本的特征，給出最相近的結果和評分，其語法如下：

label, confidence = recognizer.predict(src)

對象說明：

recognizer：已有的Eigenfaces人臉識別器對象。 參數說明：

src：需要識別的人臉圖像，該圖像寬、高必須與樣本一致。 返回值說明：

label：與樣本匹配程度最高的標簽值。

confidence：匹配程度最高的信用度評分。評分小于5000匹配程度較高，0分表示2幅圖像完全一樣。 下面通過一個實例來演示Eigenfaces人臉識別器的用法。

確定流程

最后我們來確定一下流程：

1. 讀取數據
2. 創建特征臉識別器
3. 輸入圖片和labels開始訓練
4. 輸入需要識別的人臉圖像
5. 得到輸出

我這里把我的訓練集整理了以下，名稱打在前面。我這里照片是我自己找的，具體的圖片訓練集大伙可以自己去設定。

具體代碼如下，代碼的功能可以參考注釋

import numpy as np
import cv2
import os

face_path = './faces'
photos = list()
labels = list()

# 設置期望的圖像大小
desired_size = (811, 843)
#定義labels
names = {"0":"mengzi","1":"qy","2":"lx","3":"qq"}
# 從當前路徑中讀取到所有的file
for root, dirs, files in os.walk(face_path):
    for file in files:
        if '.xml' in file:
            continue
        img_path = os.path.join(root, file)
        img = cv2.imread(img_path, 0)
        # 圖片需要設置到期望大小，因為模型輸入的圖片大小都必須是統一值，否則會無法訓練
        img_resized = cv2.resize(img, desired_size) 
        # 根據圖片的人臉，對應到names，插入到labels  
        if 'mengzi' in file: 
            # 讀取圖像并調整大小 
            labels.append(0)
        elif 'qy' in file:
            labels.append(1)
        elif 'lx' in file:
            labels.append(2)
        elif 'qq' in file:
            labels.append(3)
        else:
            continue
        photos.append(img_resized)



#創建人臉識別器
recognizer = cv2.face.EigenFaceRecognizer_create()
recognizer.train(photos, np.array(labels))

# 讀取測試圖像并調整大小
target = cv2.imread(face_path + '/test5.jpg', 0)
target_resized = cv2.resize(target, desired_size)

#輸出待識別對象
label, confidence = recognizer.predict(target_resized)

print('confidence = ' + str(confidence))
print(names[str(label)])

結果

這里代碼其實也能看得出，最后之能輸出圖片中人物的label和執行度，這樣我們倒是完成了一個分類的工作。但是這里有個問題，就是我們不僅僅需要分類，還需要知道人臉的具體位置。

結合Haar級聯器和Eigenfaces人臉識別器實現人臉劃分

前言

剛剛說了兩種，一個是劃分區域，一個是打標簽，那么能不能即劃分區域，又打上標簽呢？當然是可以的，接下來就簡單說說怎么做。

流程

實際上流程就是把兩個模式結合起來，先使用Haar級聯器劃分出臉部區域，然后再用Eigenfaces人臉識別器去檢查分出的臉部區域的對象名稱，然后將標簽放在圖片上即可。

1. 加載Haar級聯分類器
2. 讀取文件并訓練Eigenfaces人臉識別器
3. 讀取目標圖片
4. 通過Haar級聯分類器掃描得到目標圖片中的所有人臉框
5. 對所有人臉框使用Eigenfaces人臉識別器進行識別
6. 畫上方框，并打上標簽

代碼

代碼如下：

import numpy as np
import cv2
import os

# 加載Haar級聯分類器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
face_path = './faces'
photos = list()
labels = list()

# 讀取學習圖片
desired_size = (811, 843)
names = {"0":"mengzi","1":"qy","2":"lx","3":"qq","4":"ch"}
for root, dirs, files in os.walk(face_path):
    for file in files:
        if '.xml' in file:
            continue
        img_path = os.path.join(root, file)
        img = cv2.imread(img_path, 0)
        img_resized = cv2.resize(img, desired_size)
        
        if 'mengzi' in file: 
            # 讀取圖像并調整大小 
            labels.append(0)
        elif 'qy' in file:
            labels.append(1)
        elif 'lx' in file:
            labels.append(2)
        elif 'qq' in file:
            labels.append(3)
        elif 'ch' in file:
            labels.append(4)
        else:
            continue
        photos.append(img_resized)



# 訓練人臉識別器
recognizer = cv2.face.EigenFaceRecognizer_create()
recognizer.train(photos, np.array(labels))
# 讀取測試圖像
target = cv2.imread(face_path + '/test_ch.jpg')
target_gray = cv2.cvtColor(target, cv2.COLOR_BGR2GRAY)

# 檢測人臉
faces = face_cascade.detectMultiScale(target_gray, scaleFactor=1.2, minNeighbors=5, minSize=(30, 30))

# 對于每個檢測到的人臉
for (x, y, w, h) in faces:
    # 在原圖上繪制矩形框出人臉
    cv2.rectangle(target, (x, y), (x+w, y+h), (255, 0, 0), 2)
    
    # 提取人臉區域并調整到期望大小
    face_region = target_gray[y:y+h, x:x+w]
    face_resized = cv2.resize(face_region, desired_size)
    
    # 使用EigenFaceRecognizer進行預測
    label, confidence = recognizer.predict(face_resized)
    
    # 將識別的名字和置信度打印在圖像上方
    cv2.putText(target, f'{names[str(label)]} - {confidence:.2f}', (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (36,255,12), 2)

# 顯示圖像
cv2.imshow('Face Recognition', target)
cv2.waitKey(0)
cv2.destroyAllWindows()

測試結果：
雖然打了馬賽克，但是實際上結果是可以置信的。在這里，還可以根據置信程度來對不同的人臉進行篩選，比如不想要的臉或者置信程度不高的臉可以再進行舍棄。

總結

以上是生活随笔為你收集整理的简易机器学习笔记（十一）opencv 简易使用-人脸识别、分类任务的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。