目錄

• • 1. 調用庫函數
  • 2. 調用攝像頭并設置窗口
  • 3. 設置圖片正負樣本數據集的路徑
  • 4. 調用人臉檢測器
  • 5. 正負樣本載入
  • 6.提取人臉區域
  • 7. 建立LBPH人臉識別模型
  • 8. 實時檢測
  • 9. 測試結果
  • 10. 不足之處
  • 11. 改進方法

聲明：本程序基于Python的OpenCV模塊編程，利用opencv已有的人臉檢測器和人臉識別器進行實時人臉識別

?

1. 調用庫函數

import cv2 import numpy as np

• 1
• 2

2. 調用攝像頭并設置窗口

frameWidth = 640 frameHeight = 480 cap = cv2.VideoCapture(0) cap.set(3, frameWidth) #設置參數，10為亮度 cap.set(4, frameHeight) cap.set(10,150)

• 1
• 2
• 3
• 4
• 5
• 6

3. 設置圖片正負樣本數據集的路徑

pos_path = './resource/face_detect/video2imagem3/' neg_path = './resource/face_detect/video2imagec1/' test_path = './resource/face/' images = [] labels = []

• 1
• 2
• 3
• 4
• 5

4. 調用人臉檢測器

注：人臉識別器在安裝opencv庫的時候就一塊安裝了，在opencv的安裝路徑下可以找到。

faceCascade = cv2.CascadeClassifier("resource/haarcascade_frontalface_default.xml")

• 1

5. 正負樣本載入

由于本數據集人臉數據是通過程序處理視頻獲得的，因此，便于批量導入程序中。

正樣本（人臉）與負樣本（環境）比例大致為1：3，據說這樣比例效果較好；標簽為0，1。
導入語句如下：

for i in range(60): # 正樣本images.append(cv2.imread(pos_path+str(2*(i+1))+'.jpg',cv2.IMREAD_GRAYSCALE))labels.append(0)for i in range(173): # 負樣本images.append(cv2.imread(neg_path+str(2*(i+1))+'.jpg',cv2.IMREAD_GRAYSCALE))labels.append(1)

• 1
• 2
• 3
• 4
• 5
• 6
• 7

6.提取人臉區域

這里對于沒檢測到人臉區域的圖片不進行處理，對于人臉區域，將其周圍20像素左右部分提取出來

def processing(imageslist):for j in range(len(imageslist)):faces = faceCascade.detectMultiScale(imageslist[j], 1.1, 4)for x,y,w,h in faces:if x >= 20 and y >= 20: # 未處理沒檢測到人臉的情況imageslist[j] = imageslist[j][y-20:y+h+20, x-20:x+w+20]return imageslist

• 1
• 2
• 3
• 4
• 5
• 6
• 7

7. 建立LBPH人臉識別模型

這里采用LBPH人臉識別模塊，因為這種方法不需要圖片數據集為統一尺寸，EigenFaces和Fisherfaces模塊均需要訓練集圖片和測試的圖片尺寸保持一致。

imagesCopy = images # 提取圖像中人臉的區域 imagesCopy = processing(imagesCopy) recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.train(imagesCopy, np.array(labels))

• 1
• 2
• 3
• 4
• 5

8. 實時檢測

人臉檢測中，如果未檢測到人臉，則face返回的是空元組，檢測到人臉后，提取出人臉區域，采用recognizer.predict進行識別，對于返回值的confidence，小于50認為結果可靠，而大于80則認為差別較大。

while True:success,img = cap.read()predict_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)face = faceCascade.detectMultiScale(predict_image, 1.1, 4)# print(face) # 空的元組有可能if face != ():for x, y, w, h in face:if x >= 20 and y >= 20:faceArea = predict_image[y-20:y+h+20, x-20:x+w+20]cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 1)label, confidence = recognizer.predict(faceArea)if confidence <= 80 and label == 0:cv2.putText(img, "LQL",(x, y-20), cv2.FONT_HERSHEY_COMPLEX, 1,(255,0,0,1))print("YOU ARE LQL")else:cv2.putText(img, "OTHERS", (x, y-20), cv2.FONT_HERSHEY_COMPLEX, 1,(255,0,0),1)print("OTHERS")print(confidence)print(label)else:cv2.putText(img, "None", (320, 240), cv2.FONT_HERSHEY_COMPLEX, 1, (255, 0, 255), 1)print("None")cv2.imshow("img", img)if cv2.waitKey(1) & 0xFF == ord('q'):break

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26

9. 測試結果

能夠基本實現特定人臉識別的功能。

10. 不足之處

未將訓練部分與檢測部分分開，導致每次都要重新訓練，消耗一定的時間，目前只做了一種人臉識別；–已解決

由于數據是從視頻中導出的圖片，因此對于訓練集中可能存在的未檢測到人臉的情況也未作處理；

沒有將所有的圖片尺寸resize為統一尺寸，因此只能用LBPH模塊進行人臉識別，不過，在另一方面，用cv2.resize可能會存在畫面比例失衡的問題，損失訓練效果；

另外，對于負樣本，只用了背景圖片，后續可以試試物體之類的。
總之，目前只是實現了一個簡單的實時人臉識別功能，后續有時間再改進。

11. 改進方法

下列語句可以對訓練好的模型進行保存和讀取，因此可以將訓練部分與識別部分分隔開

recognizer = cv2.face.LBPHFaceRecognizer_create()recognizer.save('./resource/face_detect/MyFaceModel.xml') recognizer.read('./resource/face_detect/MyFaceModel.xml')

總結

以上是生活随笔為你收集整理的基于OpenCV的简单人脸识别系统的全部內容，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。