大家知道人脸识别吗，计算机上的视频（本质也是图⽚）是由数字组成的，因此通过数学计算可以进⾏图像识别。⼈脸识别任务是图像识别的⼦类，图像识别可拆分为图像检测和图像对⽐两个任务：检测图像⾥的⼈脸，实际上是分类问题的⼀种，即图像⾥有没有⼈脸，图像对⽐是指检测出的⼈脸和预先采集的⼈脸的相似程度。
⼈脸识别的⼀般步骤：
- 图⽚转换为灰度：这是因为灰度图像只包含亮度信息，简化了处理过程，同时保留了识别所需的主要特征信息。在OpenCV中，我们使用cvtColor函数将BGR彩色图像转换为灰度图像。
- 识别图像中的⼈脸，使用预训练的人脸分类器（如Haar级联分类器）来检测图像中的人脸区域。OpenCV提供了haarcascade_frontalface_default.xml这个预训练模型，它能够有效地检测正面人脸。
- 训练特征库，将特定的⼈脸标注并存⼊特征库，这个步骤包括收集人脸样本、提取特征并建立模型。我们需要： 使用摄像头采集多张人脸图片（通过按's'键保存） 将采集的图片转换为灰度图并提取特征 使用LBPH（Local Binary Pattern Histogram）算法训练模型 将训练好的模型保存为yml文件
- ⽐对⽬标图⽚（视频），对⽬标图像出现的⼈脸进⾏判断，根据相似程度进⾏后续处理
人脸识别有哪些常用库：
- 基于特征向量⽅法：OpenCV
- 基于 CNN 或 HOG ⽅法：Tensorflow、PyTorch
我们这里采用 OpenCV 库来教大家怎么完成人脸识别的训练和识别结果，通过 OpenCV 库，分析图像的基本组成，图像中的每⼀个像素点由三个元素组成，分别表示 RGB 三种颜⾊，而⼀张图⽚的宽和⾼由多个像素点组成。
Opencv的使用流程
1. 准备工作 首先安装必要的库，我这里使用的是python3.9：
# opencv基础库
pip install opencv-python
# pillow图像处理库
pip install pillow
# contrib用于训练人脸模型的opencv扩展包
pip install opencv-contrib-python
2. 采集人脸样本
import cv2 as cv
cap = cv.VideoCapture(0)
num = 1
face_name = "Boss"
face_id = 1
while (cap.isOpened()):
# 捕获摄像头图像
ret_flag, vshow = cap.read()
# 显示捕获的照片
cv.imshow("capture_test", vshow)
# 图像刷新的频率
k = cv.waitKey(1) & 0xff
# 设置按键保存照片
if k == ord('s'):
# 保存图片
cv.imencode(".jpg", vshow)[1].tofile(f"./imgdata/{str(face_id)}_{face_name}_{str(num)}.jpg")
print(f"成功保存第{str(num)}张照片")
num += 1
elif k == ord(' '):
break
# 关闭摄像头
cap.release()
# 销毁窗口
cv.destroyAllWindows()
在采集样本阶段，我们使用摄像头捕获人脸图片，按's'键保存图片，保存格式为"ID_姓名_序号.jpg"，这里建议建议每个人保存20-30张不同角度的照片，然后按空格键结束采集。
3. 训练模型阶段 将采集的图片用于训练模型：
import cv2 as cv
from PIL import Image
import numpy as np
from pathlib import Path
def getImageAndLabel(path):
facesSamples = []
ids = []
# 调用人脸分类器
face_detect = cv.CascadeClassifier('haarcascade_frontalface_default.xml')
# 循环读取照片人脸数据
for imagePath in Path(path).rglob("*"):
# 用灰度的方式打开照片
PIL_img = Image.open(imagePath).convert('L')
# 将照片转换为计算机能识别的数组OpenCV（BGR--0-255）
img_numpy = np.array(PIL_img, 'uint8')
# 提取图像中人脸的特征值
faces = face_detect.detectMultiScale(img_numpy)
# 将文件名按"."进行分割
id = int(imagePath.stem.split("_")[0])
# 防止无人脸图像
for x,y,w,h in faces:
ids.append(id)
facesSamples.append(img_numpy[y:y+h, x:x+w])
return facesSamples, ids
# 获取图片数据和对应的ID
faces, ids = getImageAndLabel('imgdata')
# 调用LBPH算法对人脸数据进行处理
recognizer = cv.face.LBPHFaceRecognizer_create()
# 训练数据
recognizer.train(faces, np.array(ids))
# 保存训练模型
recognizer.write('trainer/trainer.yml')
在上面代码中，我们在这个阶段会先读取所有样本图片并转换为灰度图，使用人脸分类器检测每张图片中的人脸区域，提取人脸特征并与ID关联，使用LBPH算法训练模型，最后将训练好的模型保存为yml文件。
4. 实时人脸识别 使用训练好的模型进行实时人脸识别：
import cv2
# 创建识别器并加载训练好的模型
recogizer = cv2.face.LBPHFaceRecognizer_create()
recogizer.read('trainer/trainer.yml')
names = ["Boss"] # 名字
idn = [1] # 标签
# 识别图片
def face_detect_demo(img):
# 转换为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 调用人脸分类器
face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# 读取人脸特征并返回人脸坐标
face = face_detector.detectMultiScale(gray, 1.1, 5, 0, (100,100), (800,800))
for x,y,w,h in face:
# 标记人脸
cv2.rectangle(img, (x,y), (x+w,y+h), color=(0,0,255), thickness=2)
# 识别人脸
ids, confidence = recogizer.predict(gray[y:y + h, x:x + w])
if confidence > 60:
print("陌生人")
else:
print("老板来了，自动关闭游戏")
cv2.imshow('result', img)
# 打开摄像头进行实时识别
cap = cv2.VideoCapture(0)
while True:
flag, frame = cap.read()
if not flag:
break
face_detect_demo(frame)
if ord(' ') == cv2.waitKey(10):
break
cv2.destroyAllWindows()
cap.release()
首先我们会加载训练好的模型，实时去捕获摄像头画面，检测画面中的人脸，将检测到的人脸与模型进行对比然后根据置信度判断身份，最后在画面中标注识别结果。 到这里我们的人脸识别系统就做好了，基本上满足了实时性，并且使用非常简单。需要注意的是，在采集样本时，确保光线充足，采集不同角度的人脸图片，保持适当的拍摄距离
系统优化建议
识别参数调整： scaleFactor：默认1.1，值越大检测速度越快，越小检测越精确； minNeighbors：默认5，值越大误检测越少，但可能漏检； minSize和maxSize：限制检测人脸的大小范围； 可以调整detectMultiScale函数的参数提高检测效果； 置信度阈值：代码中设置的阈值为60，可以根据实际需求调整，阈值越低，误识别率越高；阈值越高，可能出现识别不出的情况 实时性优化：可以适当降低视频帧率提高处理速度，考虑使用多线程处理提高性能 这个系统可以根据实际需求进行扩展，比如添加多人识别、记录识别日志、触发特定动作等功能。通过调整各项参数，可以在识别准确率和系统性能之间找到最佳平衡点。感兴趣的同学自己尝试优化，当然也可以跟随我们的公众号，等待后续我们出优化的思路。
