前言

和網(wǎng)上各種首先你要有一個女朋友的系列一樣，想進行人臉判斷，首先要有臉，

只要能靠確定人臉的位置，那么進行兩張人臉是否相似的操作便迎刃而解了。

所以本篇文章著重講述如何利用openCV定位人臉。

上一篇文章的地址：

安裝openCV

在進行下一步操作時，我們需要安裝openCV，本來安裝openCV的步驟跟平常安裝其他模塊一樣，而然

由于python的歷史原因(用過都懂……)，弄得一點都不友好。

先說一下，python2.7的用戶，可以直接在openCV的官網(wǎng)上直接下載，然后在openCV的build\python

的目錄下，根據(jù)自己的情況，選擇x86,x64下的cv2.pyd放到你python的安裝目錄的

\Lib\site-packages\下。

至于python3.4的用戶，即有點特別。你可以在StackOverFlow找到這樣

和這樣的答案，但我們不要這么麻煩。

進入這個網(wǎng)站,下載openCV相關(guān)whl文件，例如

opencv_python-3.1.0-cp35-none-win_amd64.whl

然后再對應(yīng)目錄下使用pip install opencv_python-3.1.0-cp35-none-win_amd64.whl命令即可

安裝完成后，可以在python的命令行下測試。

import cv2

如果沒有報錯的話，恭喜你安裝成功。

不過無論是哪個版本的用戶，在python上使用openCV都需要先安裝numpy這個模塊。

人臉識別的原理

opencv的人臉識別是基于了haar特征,關(guān)于什么叫haar特征，足以開另外一篇文章說明了，礙于篇幅，這里不做介紹。

opencv提供已經(jīng)訓(xùn)練好的數(shù)據(jù)寫成了xml文件，放在了opencv\sources\data\haarcascades的目錄下。

如果只是安裝了opencv_python-3.1.0-cp35-none-win_amd64.whl的，可以在我的github上，下載cvdata里面的內(nèi)容

，地址會在文章底部給出。

除了人臉識別的數(shù)據(jù)外，還有人眼，上半身，下半身……等人體特征的數(shù)據(jù)，觀察xml文件的命名，不難見名知義。

接下來會介紹如何利用這個已經(jīng)訓(xùn)練好的數(shù)據(jù)，如果仍對haar模型感興趣，可以參考以下地址。

如何使用訓(xùn)練好的數(shù)據(jù)

先講關(guān)于openCV基本的一些操作。全部具體代碼，請查看我的github。

讀入一張圖片

cv2.imread(path)

如果你用type()把其返回值的類型是numpy.ndarray。

而同樣，numpy.asarray(Image)返回的亦是numpy.ndarray對象，為什么強調(diào)這兩點？

cv2.imread(path)不能讀取中文路徑，若路徑中含有中文字符，其會返回None

在后面的操作中，包括是切割圖片(人臉部分)，再進行局部哈希，比較相似度，

等等都是用Image對象進行操作，如果再用Image.open()讀入圖片未免顯得麻煩。

所以干脆統(tǒng)一用Image.open()打開圖片，再用numpy.asarray(Image)轉(zhuǎn)化即可。

需要注意有一個不同的地方是雖然其返回的也是三維數(shù)組，但在第三維，即某個坐標下的RGB值,兩個矩陣的順序是反的，但只要另外編寫一個小函數(shù)將其反轉(zhuǎn)即可。

載入xml數(shù)據(jù)

face_cascade = cv2.CascadeClassifier(xml_path)

將圖片灰度化

if img.ndim == 3:

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

else:

gray = img

# 如果img維度為3，說明不是灰度圖，先轉(zhuǎn)化為灰度圖gray，如果不為3，也就是2，原圖就是灰度圖

img是之前讀入的三維數(shù)組，雖然灰度圖可以用Image對象的convert('L')完成，但由于不確定

opencv的處理方法是否和該方法一樣，所以還是用opencv自己的方法進行處理比較好。

獲取人臉坐標

faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=3,

minSize=(10,10),flags=cv2.CASCADE_SCALE_IMAGE)

scale_factor：被檢測對象的尺度變化。尺度越大，越容易漏掉檢測的對象，但檢測速度加快；尺度越小，檢測越細致準確，但檢測速度變慢。

min_neighbors：數(shù)值越大，檢測到對象的條件越苛刻；反之檢測到對象的條件越寬松；

minSize:檢測對象的大小

該方法返回的是一個列表，每個列表元素是長度為四的元組，分別臉部的左上角的x,y值，臉部區(qū)域的寬度和高度。

下一步操作

通過上述的方法，我們就已經(jīng)獲取到人臉的位置，下一步你可以通過ImageDraw`對象進行繪圖，框出人臉的位置。

同樣，你也可以使用Image的crop方法把人臉部分提取出來，然后進行局部哈希，

通過上一篇文章提及的算法，比較兩者的相似度。

兩種操作分別在我的github中實現(xiàn)了，請參考我的github中face1.py,和face2.py兩個python文件。

寫一只具有識別能力的圖片爬蟲

在上一篇文章中，我說了會應(yīng)用這些算法做成以只具有識別能力的圖片爬蟲，然現(xiàn)在我也確實是在做

但考慮到作為核心的圖片識別和人臉識別的部分我已經(jīng)寫成文章分享出來，其余部分就是想寫其他爬蟲一樣而已，所以我決定看看這兩篇文章的反響后再決定是否繼續(xù)該系列，把圖片爬蟲的制作過程和大家分享一下。

總結(jié)

鑒于個人實力有限，本文未能詳細說明人臉識別的原理，

但總結(jié)了如何利用已經(jīng)訓(xùn)練好的數(shù)據(jù)進行人臉識別，希望能幫到有需要的朋友。

如有不足之處，歡迎提出。

本文涉及內(nèi)容的詳細代碼在下面的github地址。

歡迎star，也歡迎給意見

本文參考文章

總結(jié)

以上是生活随笔為你收集整理的python识图找图_利用python进行识别相似图片(二)的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。