prefacio

Use la biblioteca OpenCV en python para implementar la tecnología de reconocimiento facial y use pycharm para implementarla.

1. Implementación del código

Obtén la cara y conviértela a escala de grises.

Cree una nueva carpeta de datos en el mismo directorio para almacenar imágenes en escala de grises. El archivo haarcascade_frontalface_default.xml se cambia de acuerdo con el método real. El número de identificación de entrada corresponderá a los nombres en el código de identificación, por ejemplo, 0, 1, 2, 3. No puede exceder el tamaño de los nombres, de lo contrario, se producirá un error. será informado.

# -----获取人脸样本-----
import cv2

# 调用笔记本内置摄像头，参数为0，如果有其他的摄像头可以调整参数为1,2
cap = cv2.VideoCapture(0)
# 调用人脸分类器，要根据实际路径调整
face_detector = cv2.CascadeClassifier(
    'D:/software/anaconda3/envs/mediapipe/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml')  # 待更改
# 为即将录入的脸标记一个id
face_id = input('\n User data input,Look at the camera and wait ...')
# sampleNum用来计数样本数目
count = 0

while True:
    # 从摄像头读取图片
    success, img = cap.read()
    # 转为灰度图片，减少程序符合，提高识别度
    if success is True:
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    else:
        break
    # 检测人脸，将每一帧摄像头记录的数据带入OpenCv中，让Classifier判断人脸
    # 其中gray为要检测的灰度图像，1.3为每次图像尺寸减小的比例，5为minNeighbors
    faces = face_detector.detectMultiScale(gray, 1.3, 5)

    # 框选人脸，for循环保证一个能检测的实时动态视频流
    for (x, y, w, h) in faces:
        # xy为左上角的坐标,w为宽，h为高，用rectangle为人脸标记画框
        cv2.rectangle(img, (x, y), (x + w, y + w), (255, 0, 0))
        # 成功框选则样本数增加
        count += 1
        # 保存图像，把灰度图片看成二维数组来检测人脸区域
        # (这里是建立了data的文件夹，当然也可以设置为其他路径或者调用数据库)
        cv2.imwrite("data/User."+str(face_id)+'.'+str(count)+'.jpg',gray[y:y+h,x:x+w])
        # 显示图片
        cv2.imshow('image', img)
        # 保持画面的连续。waitkey方法可以绑定按键保证画面的收放，通过q键退出摄像
    k = cv2.waitKey(1)
    if k == '27':
        break
        # 或者得到足够个样本后退出摄像，这里可以根据实际情况修改数据量
    elif count >= 15:
        break

# 关闭摄像头，释放资源
cap.release()
cv2.destroyAllWindows()

entrenar al modelo

Cree una carpeta llamada trainner en el mismo directorio para almacenar el reconocedor y llame a LBPHFaceRecognizer en OpenCV para crear un modelo de reconocimiento humano.

import os
import cv2
import numpy as np
from PIL import Image

# 导入pillow库，用于处理图像
# 设置之前收集好的数据文件路径
path = 'data'

# 初始化识别的方法
recog = cv2.face.LBPHFaceRecognizer_create()

# 调用熟悉的人脸分类器
detector = cv2.CascadeClassifier(
    'D:/software/anaconda3/envs/mediapipe/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml')


# 创建一个函数，用于从数据集文件夹中获取训练图片,并获取id
# 注意图片的命名格式为User.id.sampleNum
def get_images_and_labels(path):
    image_paths = [os.path.join(path, f) for f in os.listdir(path)]
    # 新建连个list用于存放
    face_samples = []
    ids = []

    # 遍历图片路径，导入图片和id添加到list中
    for image_path in image_paths:

        # 通过图片路径将其转换为灰度图片
        img = Image.open(image_path).convert('L')

        # 将图片转化为数组
        img_np = np.array(img, 'uint8')

        if os.path.split(image_path)[-1].split(".")[-1] != 'jpg':
            continue

        # 为了获取id，将图片和路径分裂并获取
        id = int(os.path.split(image_path)[-1].split(".")[1])
        faces = detector.detectMultiScale(img_np)

        # 将获取的图片和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


# 调用函数并将数据喂给识别器训练
print('Training...')
faces, ids = get_images_and_labels(path)
# 训练模型
recog.train(faces, np.array(ids))
# 保存模型
recog.save('trainner/trainner.yml')

Llame a la cámara para la identificación

El número de face_id ingresado antes corresponde al nombre en los nombres a continuación.

# -----检测、校验并输出结果-----
import cv2

# 准备好识别方法
recognizer = cv2.face.LBPHFaceRecognizer_create()

# 使用之前训练好的模型
recognizer.read('trainner/trainner.yml')

# 再次调用人脸分类器
cascade_path = "D:/software/anaconda3/envs/mediapipe/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml"
face_cascade = cv2.CascadeClassifier(cascade_path)

# 加载一个字体，用于识别后，在图片上标注出对象的名字
font = cv2.FONT_HERSHEY_SIMPLEX

idnum = 0
# 设置好与ID号码对应的用户名，如下，如0对应的就是初始

names = ['user1','user2','user3','user4','user5',]

# 调用摄像头
cam = cv2.VideoCapture(0)
minW = 0.1 * cam.get(3)
minH = 0.1 * cam.get(4)
cap.open(0)
while cap.isOpened():
    ret, img = cam.read()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 识别人脸
    faces = face_cascade.detectMultiScale(
        gray,
        scaleFactor=1.2,
        minNeighbors=5,
        minSize=(int(minW), int(minH))
    )
    # 进行校验
    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])

        # 计算出一个检验结果
        if confidence < 100:
            idum = names[idnum]
            confidence = "{0}%", format(round(100 - confidence))
        else:
            idum = "unknown"
            confidence = "{0}%", format(round(100 - confidence))

        # 输出检验结果以及用户名
        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)

        # 展示结果
        cv2.imshow('camera', img)
    if cv2.waitKey(1) in [ord('q'), 27]:  # q或esc退出
        break

# 释放资源
cam.release()
cv2.destroyAllWindows()

En segundo lugar, se produjo el error.

El siguiente problema ocurre porque se ingresa mal el face_id, y se debe ingresar un número que no exceda el tamaño de los nombres, como 0, 1, 2...

IndexError: list index out of range

Resumir

Este código de reconocimiento facial es muy corto, puedes probarlo si estás interesado.

Reconocimiento facial simple basado en OpenCV

Reconocimiento facial