使用 OpenCV 实现人脸识别

ZackSock
1,818 阅读6分钟

「这是我参与2022首次更文挑战的第27天，活动详情查看：2022首次更文挑战」。

OpenCV

介绍

OpenCV 是一个跨平台计算机视觉库， 可以运行在 Linux、Windows、Android 和 Mac OS 操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了 Python、Ruby、MATLAB 等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

安装

在我们编码的过程中，会使用到OpenCV 的两个模块，我们直接使用 pip 安装：

pip install opencv-python

另外一个：

pip install opencv-contrib-python

安装完成后，我们就可以开始学习 OpenCV 的使用了。

使用 OpenCV 处理视频图像

处理图像

读取并显示图像

读取图像和显示图像是图像的最基本操作，在 OpenCV 中实现起来也非常简单，代码如下：

import cv2

# 读取图片
im = cv2.imread('test.png')
# 显示图片，第一个参数为窗口名称
cv2.imshow('img', im)
# 等待键盘输入
cv2.waitKey(0)
# 销毁所有窗口
cv2.destroyAllWindows()

在我们导入模块的时候，是导入 cv2，我们读取图像使用到 imread 函数，显示图像使用到 imshow 函数。因为 imshow 函数只会显示一瞬间，所以我们在后面添加一句 waitkey()，该函数传入毫秒值，当传入0时表示无限等待键盘输入。因为 OpenCV 是使用 C/C++ 实现的，所以我们需要销毁窗口（类似于 free）。

灰度转换

我们可以简单理解为将彩色图像转换为黑白图像，在人脸识别时，我们通常使用灰度转换后的图像进行识别。

import cv2

# 读取图像
im = cv2.imread('test.png')
# 灰度转换
grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
# 保存图像
cv2.imwrite('im.png', grey)
# 销毁所有窗口
cv2.destroyAllWindows()

灰度转换我们使用到 cv2.cvtColor 函数，第一个参数为 ndarray 对象（图像），第二个是一个 cv2 中的常数。我们从常数名称可以看出，对于 OpenCV 来说，图片一般都是 BGR 而不是 RGB 的。

我们灰度转换后，使用 imwrite 函数保存图像。

绘制图形

然后我们来看看如何用 OpenCV 绘制图形：

import cv2
# 读取图像
im = cv2.imread('test.jpg')
# 绘制图形
cv2.rectangle(im, (10, 10), (50, 50), (0, 255, 0), 3)
cv2.circle(im, (100, 100), 50, (0, 0, 255), 2)
# 显示图像
cv2.imshow('im', im)
cv2.waitKey(0)
cv2.destroyAllWindows()

上面代码我们绘制了一个矩形和一个圆形。我们看一下两个方法：

"""
im：ndarray对象
p1：左上角的坐标
p2：右下角的坐标
color：颜色，格式为BGR
thickness：轮廓宽
"""
rectangle(im, p1, p2, color, thickness)
"""
im：ndarray对象
center：圆心坐标
radius：半径
color：颜色BGR格式
thickness：轮廓宽
"""
circle(im, center, radius, color, thickness)

这里只是说了些会用到的参数。代码的效果如下：

在这里插入图片描述

后续在我们人脸检测的过程中，我们可以绘制图形，将人脸框起来。

检测人脸

获取特称数据

我们实现人脸检测需要先下载 OpenCV 的特征数据，我们去 OpenCV 的官网下载相应的文件。进入我们可以看到如下界面：

在这里插入图片描述

下载后，我们双击运行就可以了。我们进入 opencv\sources\data\haarcascades 目录，会发现里面有许多特征文件。我们通常使用 haarcascade_frontalface_default.xml 作为特征数据。我是直接将特征文件复制到项目根目录下，你们可以选择和我一样，或者直接使用绝对路径。

检测人脸

检测人脸的步骤如下：

  1. 读取图像
  2. 灰度转换
  3. 获取人脸检测器
  4. 检测人脸
  5. 遍历人脸

我们将上面的步骤写成代码：

import cv2
# 读取图像
im = cv2.imread('face.jpg')
# 灰度转换
grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
# 获取人脸检测器
face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# 检测人脸
faces = face_detector.detectMultiScale(grey)
# 遍历检测到的人脸
for x, y, w, h in faces:
    # 在人脸区域绘制矩形
    cv2.rectangle(im, (x, y), (x+w, y+h), (0, 255, 0), 2)
    # 显示图像
    cv2.imshow('im', im)
    cv2.waitKey(0)
cv2.destroyAllWindows()

我们使用 cv2.CascadeClassifier 方法，加载特征数据。然后我们使用 detectMultiScale 方法检测人脸，该函数返回人脸数据。face.jpg 和绘制矩形后的图形如下：

在这里插入图片描述

在试验过程中，发现通常情况下都可以检测出，但是失误的情况也比较多。

训练数据

训练数据主要是需要获得两个数据，一个是人脸标签，另一个是人脸数据。为了方便获取人脸标签，我们先准备好一些图片：

在这里插入图片描述

这里有 40 张图片，其中前 20 张是胡歌，后二十张是小罗伯特唐尼。后续我们可以用这些图片作为训练素材。我们识别这些人脸，获取其人脸数据，然后直接将文件名作为标签，这样我们就知道标签大于 20 的就是小罗伯特唐尼，而标签小于 20 的就是胡歌。

训练数据步骤大致如下：

  1. 获取人脸数据和标签数据
  2. 获取训练器
  3. 训练数据
  4. 保存训练数据

代码如下：

import cv2
import os
import numpy

# 人脸的根目录
root = './face/'

def getFacesAndLables():

    # 用于存储人脸数据
    faces = []
    # 用于存储标签数据
    labels = []

    # 获取人脸检测器
    face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

    # 获取图片路径
    files = os.listdir(root)

    for file in files:
        # 读取图像
        im = cv2.imread(root + file)
        # 灰度转换
        grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
        # 检测人脸
        face = face_detector.detectMultiScale(grey)
        for x, y, w, h in face:
            # 设置标签
            labels.append(int(file.split('.')[0]))

            # 设置人脸数据
            faces.append(grey[y:y+h, x:x+w])

    return faces, labels

# 获取人脸数据和标签
faces, labels = getFacesAndLables()

# 获取训练对象
recognizer = cv2.face.LBPHFaceRecognizer_create()
# 训练数据
recognizer.train(faces, numpy.array(labels))
# 保存训练数据
recognizer.write('./trainer.yml')

这里主要的代码还是获取人脸数据和人脸标签。获取训练对象我们通过 cv2.face.LBPHFaceRecognizer_create() 函数，该函数在 opencv-contrib-python 模块中。训练数据调用 train 函数，然后我们使用 write 保存训练数据。接下来我们就可以进行人脸识别了。

人脸识别

在训练好数据后我们就可以开始识别人脸了，识别人脸的步骤大致如下：

  1. 读取训练数据
  2. 读取图像
  3. 检测人脸
  4. 匹配数据

我们用代码实现：

import cv2

# 获取训练对象
recognizer = cv2.face.LBPHFaceRecognizer_create()
# 加载训练数据
recognizer.read('trainer.yml')

# 读取图像
im = cv2.imread('Tony.jpg')
# 灰度转换
grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)

# 获取人脸检测对象
face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# 检测人脸
face = face_detector.detectMultiScale(grey)

for x, y, w, h in face:
    # 匹配人脸
    label, confidence = recognizer.predict(grey[y:y+h, x:x+w])

    # 通过label判断识别结果
    if confidence <= 60:
        if label < 20:
            print('胡歌')
        elif label > 20:
            print('小罗伯特唐尼')
    else:
        print('未匹配到人脸')

我们使用 read 方法加载训练数据，读取图像和检测人脸的操作我们已经说过了，然后我们使用 recognizer.predict 方法匹配人脸。该方法返回两个参数，一个是人脸标签，还有一个是可信度。confidence 的值越低，可信程度越高。然后我们通过获取的标签来判断，识别的人物是谁。

在这里插入图片描述

上面是我用来识别的图片，结果如下：

小罗伯特唐尼

这样我们就实现了人脸识别。因为训练数据比较少，所以识别的准确率也比较低，大家可以多使用一些图片进行进行训练，本文代码连接如下：

github.com/IronSpiderM…

avatar
文章
阅读
粉丝