如何使用python實現人臉識別

這篇文章將為大家詳細講解有關如何使用python實現人臉識別，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

一、首先

梳理一下實現人臉識別需要進行的步驟：

流程大致如此，在此之前，要先讓人臉被準確的找出來，也就是能準確區分人臉的分類器，在這里我們可以用已經訓練好的分類器，網上種類較全，分類準確度也比較高，我們也可以節約在這方面花的時間。

既然用的是python，那自然少不了包的使用了，在看代碼之前，我們先將整個項目所需要的包羅列一下：

· CV2(Opencv)：圖像識別，攝像頭調用

· os：文件操作

· numpy：NumPy(Numerical Python) 是 Python 語言的一個擴展程序庫，支持大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫

· PIL：Python Imaging Library，Python平臺事實上是圖像處理的標準庫

二、接下來

1.對照人臉獲取

#-----獲取人臉樣本-----
import cv2
 
#調用筆記本內置攝像頭，參數為0，如果有其他的攝像頭可以調整參數為1,2
cap = cv2.VideoCapture(0)
#調用人臉分類器，要根據實際路徑調整3
face_detector = cv2.CascadeClassifier(r'X:/Users/73950/Desktop/FaceRec/haarcascade_frontalface_default.xml') #待更改
#為即將錄入的臉標記一個id
face_id = input('\n User data input,Look at the camera and wait ...')
#sampleNum用來計數樣本數目
count = 0
 
while True: 
 #從攝像頭讀取圖片
 success,img = cap.read() 
 #轉為灰度圖片，減少程序符合，提高識別度
 if success is True: 
  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
 else: 
  break
 #檢測人臉，將每一幀攝像頭記錄的數據帶入OpenCv中，讓Classifier判斷人臉
 #其中gray為要檢測的灰度圖像，1.3為每次圖像尺寸減小的比例，5為minNeighbors
 faces = face_detector.detectMultiScale(gray, 1.3, 5)
 
 #框選人臉，for循環保證一個能檢測的實時動態視頻流
 for (x, y, w, h) in faces:
  #xy為左上角的坐標,w為寬，h為高，用rectangle為人臉標記畫框
  cv2.rectangle(img, (x, y), (x+w, y+w), (255, 0, 0))
  #成功框選則樣本數增加
  count += 1 
  #保存圖像，把灰度圖片看成二維數組來檢測人臉區域
  #(這里是建立了data的文件夾，當然也可以設置為其他路徑或者調用數據庫)
  cv2.imwrite("data/User."+str(face_id)+'.'+str(count)+'.jpg',gray[y:y+h,x:x+w]) 
  #顯示圖片
  cv2.imshow('image',img)  
  #保持畫面的連續。waitkey方法可以綁定按鍵保證畫面的收放，通過q鍵退出攝像
 k = cv2.waitKey(1)  
 if k == '27':
  break  
  #或者得到800個樣本后退出攝像，這里可以根據實際情況修改數據量，實際測試后800張的效果是比較理想的
 elif count >= 800:
  break
 
#關閉攝像頭，釋放資源
cap.realease()
cv2.destroyAllWindows()

經博主測試，在執行

“face_detector = cv2.CascadeClssifier(r'C:\Users\admin\Desktop\python\data\ haarcascade_frontalface_default.xml')”此語句時，實際路徑中的目錄名盡量不要有中文字符出現，否則容易報錯。

這樣，你的電腦就能看到你啦！

2. 通過算法建立對照模型

本次所用的算法為opencv中所自帶的算法，opencv較新版本中（我使用的是2.4.8）提供了一個FaceRecognizer類，里面有相關的一些人臉識別的算法及函數接口，其中包括三種人臉識別算法（我們采用的是第三種）

1.eigenface

2.fisherface

3.LBPHFaceRecognizer

LBP是一種特征提取方式，能提取出圖像的局部的紋理特征，最開始的LBP算子是在3X3窗口中，取中心像素的像素值為閥值，與其周圍八個像素點的像素值比較，若像素點的像素值大于閥值，則此像素點被標記為1，否則標記為0。這樣就能得到一個八位二進制的碼，轉換為十進制即LBP碼，于是得到了這個窗口的LBP值，用這個值來反映這個窗口內的紋理信息。

LBPH是在原始LBP上的一個改進，在opencv支持下我們可以直接調用函數直接創建一個LBPH人臉識別的模型。

我們在前一部分的同目錄下創建一個Python文件，文件名為trainner.py，用于編寫數據集生成腳本。同目錄下，創建一個文件夾，名為trainner，用于存放我們訓練后的識別器。

#-----建立模型、創建數據集-----#-----建立模型、創建數據集-----
 
import os
import cv2
import numpy as np
from PIL import Image
#導入pillow庫，用于處理圖像
#設置之前收集好的數據文件路徑
path = 'data'
 
#初始化識別的方法
recog = cv2.face.LBPHFaceRecognizer_create()
 
#調用熟悉的人臉分類器
detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
 
#創建一個函數，用于從數據集文件夾中獲取訓練圖片,并獲取id
#注意圖片的命名格式為User.id.sampleNum
def get_images_and_labels(path):
 image_paths = [os.path.join(path,f) for f in os.listdir(path)]
 #新建連個list用于存放
 face_samples = []
 ids = []
 
 #遍歷圖片路徑，導入圖片和id添加到list中
 for image_path in image_paths:
 
  #通過圖片路徑將其轉換為灰度圖片
  img = Image.open(image_path).convert('L')
 
  #將圖片轉化為數組
  img_np = np.array(img,'uint8')
 
  if os.path.split(image_path)[-1].split(".")[-1] != 'jpg':
   continue
 
  #為了獲取id，將圖片和路徑分裂并獲取
  id = int(os.path.split(image_path)[-1].split(".")[1])
  faces = detector.detectMultiScale(img_np)
 
  #將獲取的圖片和id添加到list中
  for(x,y,w,h) in faces:
   face_samples.append(img_np[y:y+h,x:x+w])
   ids.append(id)
 return face_samples,ids
 
#調用函數并將數據喂給識別器訓練
print('Training...')
faces,ids = get_images_and_labels(path)
#訓練模型
recog.train(faces,np.array(ids))
#保存模型
recog.save('trainner/trainner.yml')

3.識別

檢測，校驗，輸出其實都是識別的這一過程，與前兩個過程不同，這是涉及實際使用的過程，所以我們把他整合放在一個統一的一個文件內。

#-----檢測、校驗并輸出結果-----
import cv2
 
#準備好識別方法
recognizer = cv2.face.LBPHFaceRecognizer_create()
 
#使用之前訓練好的模型
recognizer.read('trainner/trainner.yml')
 
#再次調用人臉分類器
cascade_path = "haarcascade_frontalface_default.xml" 
face_cascade = cv2.CascadeClassifier(cascade_path)
 
#加載一個字體，用于識別后，在圖片上標注出對象的名字
font = cv2.FONT_HERSHEY_SIMPLEX
 
idnum = 0
#設置好與ID號碼對應的用戶名，如下，如0對應的就是初始
 
names = ['初始','admin','user1','user2','user3']
 
#調用攝像頭
cam = cv2.VideoCapture(0)
minW = 0.1*cam.get(3)
minH = 0.1*cam.get(4)
 
while True:
 ret,img = cam.read()
 gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
 #識別人臉
 faces = face_cascade.detectMultiScale(
   gray,
   scaleFactor = 1.2,
   minNeighbors = 5,
   minSize = (int(minW),int(minH))
   )
 #進行校驗
 for(x,y,w,h) in faces:
  cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
  idnum,confidence = recognizer.predict(gray[y:y+h,x:x+w])
 
  #計算出一個檢驗結果
  if confidence < 100:
   idum = names[idnum]
   confidence = "{0}%",format(round(100-confidence))
  else:
   idum = "unknown"
   confidence = "{0}%",format(round(100-confidence))
 
  #輸出檢驗結果以及用戶名
  cv2.putText(img,str(idum),(x+5,y-5),font,1,(0,0,255),1)
  cv2.putText(img,str(confidence),(x+5,y+h-5),font,1,(0,0,0),1)
 
  #展示結果
  cv2.imshow('camera',img)
  k = cv2.waitKey(20)
  if k == 27:
   break
 
#釋放資源
cam.release()
cv2.destroyAllWindows()

現在，你的電腦就能識別出你來啦！

通過其他組合也可以實現開機檢測等多種功能，你學會了嗎？

下面是博主審稿時的測試結果以及出現的一些問題哦~希望對大家有幫助（呲牙.jpg）

測試結果：

博主審稿測試過程中出現的問題：

（1）版本問題

解決方法：經過博主無數次的失敗，提示大家最好安裝python2.7，可以直接使用 pip install numpy 以及pip install opencv-python安裝numpy 以及對應python版本的opencv

（如果使用的是Anaconda2，pip相關命令可在開始菜單Anaconda2文件夾下的Anaconda Prompt中輸入）

點擊推文中給出的鏈接，將github中的文件下載后放至編譯文件所在的文件夾下，并更改代碼中的相關目錄

（2）如果提示“module' object has no attribute 'face'”

解決方法：可以輸入 pip install opencv-contrib-python解決，如果提示需要commission，可以在后面加上 --user,即 pip install opencv-contrib-python --user

關于“如何使用python實現人臉識別”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。