人脸识别登录

需求分析

• 需要操作相机、摄像头
• 需要检测人脸
• 需要制作人脸训练图片
• 需要训练人脸检测模型
• 需要识别人脸

OpenCV操作相机、摄像头

人脸识别登录

face模块目前支持的算法有:

    （1）主成分分析（PCA）——Eigenfaces（特征脸）——函数：createEigenFaceRecognizer()

PCA：低维子空间是使用主元分析找到的，找具有最大方差的哪个轴。

缺点：若变化基于外部（光照），最大方差轴不一定包括鉴别信息，不能实行分类。

    （2）线性判别分析（LDA）——Fisherfaces（特征脸）——函数： createFisherFaceRecognizer()

LDA:线性鉴别的特定类投影方法，目标：实现类内方差最小，类间方差最大。

    （3）局部二值模式（LBP）——LocalBinary Patterns Histograms——函数：createLBPHFaceRecognizer()

PCA和LDA采用整体方法进行人脸辨别，LBP采用局部特征提取，除此之外，还有的局部特征提取方法为：

盖伯小波（Gabor Waelets）和离散傅里叶变换（DCT）。

人脸检测&数据集保存

• Python3 & OpenCV-3.4.0

import cv2
import os

cam = cv2.VideoCapture(0)
cam.set(3, 640) # 设置图像宽度
cam.set(4, 480) # 设置图像高度
# 人脸检测器
face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 每个训练的新人脸需要输入对应的ID
face_id = input('\n 请输入您的ID，按Enter键确认 ==>  ')

print("\n [提示] 相机初始化完毕，请看向相机等待采样.......")

# 初始化每次采样图像帧数
count = 0

while(True):
    ret, img = cam.read()
    #img = cv2.flip(img, -1) # 控制相机图像翻转
    img = cv2.flip(img, 1) # 控制相机图像翻转
    # 图像灰度化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_detector.detectMultiScale(gray, 1.3, 5)

    for (x,y,w,h) in faces:
        cv2.rectangle(img, (x,y), (x+w,y+h), (255,0,0), 2)     
        count += 1

        # 将检测到的人脸图像按照一定的命名规则保存到数据集文件夹中
        cv2.imwrite("dataset/User." + str(face_id) + '.' + str(count) + ".jpg", gray[y:y+h,x:x+w])
        # 显示图像
        cv2.imshow('image', img)

    k = cv2.waitKey(100) & 0xff # 按ESC退出循环
    if k == 27:
        break
    elif count >= 100: # 采样一百张人脸图像后退出循环
         break

# 退出程序
print("\n [提示] 退出程序，清除内存")
cam.release()
cv2.destroyAllWindows()

• dataset文件夹中保存人脸图像数据集
  

训练数据集

• Python3 & OpenCV-3.4.0

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

# 人脸数据集的保存路径
path = 'dataset'

recognizer = cv2.face.LBPHFaceRecognizer_create()
detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml");

# 获取数据集图像和标签
def getImagesAndLabels(path):

    imagePaths = [os.path.join(path,f) for f in os.listdir(path)]     
    faceSamples=[]
    ids = []

    for imagePath in imagePaths:
        if imagePath == "dataset/.DS_Store":
            continue
        PIL_img = Image.open(imagePath).convert('L') # convert it to grayscale
        img_numpy = np.array(PIL_img,'uint8')

        id = int(os.path.split(imagePath)[-1].split(".")[1])
        faces = detector.detectMultiScale(img_numpy)

        for (x,y,w,h) in faces:
            faceSamples.append(img_numpy[y:y+h,x:x+w])
            ids.append(id)
            print(id)
    return faceSamples,ids

print ("\n [提示] 开始训练数据集，将耗费一定的时间，请稍后......")
faces,ids = getImagesAndLabels(path)
recognizer.train(faces, np.array(ids))

# 将训练好的模型保存到路径：trainer/trainer.yml
recognizer.write('trainer/trainer.yml') # recognizer.save() worked on Mac, but not on Pi

# 打印训练好的人脸个数，退出程序
print("\n [提示] {0} 个人脸已训练完毕，退出程序。".format(len(np.unique(ids))))

人脸识别

• 人脸识别首先要检测到人脸
• 然后将检测到的人脸进行识别
• Python3 & OpenCV-3.4.0

import cv2
import numpy as np
import os 

recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('trainer/trainer.yml')
cascadePath = "haarcascade_frontalface_default.xml"
faceCascade = cv2.CascadeClassifier(cascadePath);

font = cv2.FONT_HERSHEY_SIMPLEX

# 初始化ID
id = 0

# 姓名数组与ID编号相关联，比如ID=1，name=ZhangJunYang
names = ['None', 'ZhangJunYang', 'FanJiangTao', 'LiuJianQing', 'ChengWei', 'W'] 

# 初始化相机开始采集图像
cam = cv2.VideoCapture(0)
cam.set(3, 640) # 图像宽度设置
cam.set(4, 480) # 图像高度设置

# 定义可以识别人脸的最小窗口尺寸
minW = 0.1*cam.get(3)
minH = 0.1*cam.get(4)

while True:
    ret, img =cam.read()
    #img = cv2.flip(img, -1) # 控制图像翻转

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

    faces = faceCascade.detectMultiScale( 
        gray,
        scaleFactor = 1.2,
        minNeighbors = 5,
        minSize = (int(minW), int(minH)),
       )

    for(x,y,w,h) in faces:
        cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)
        # 识别预测，返回 ID 和 Confidence ，其中 Confidence 值与相似度成反比
        id, confidence = recognizer.predict(gray[y:y+h,x:x+w])
        if(confidence >= 0 and confidence < 50 ):
            id = names[id]+'_sure'
            confidence = "  {0}%".format(round(100 - confidence))
        # Check if confidence is less them 100 ==> "0" is perfect match 
        elif (confidence >= 50):
            id = names[id] +'_maybe'
            confidence = "  {0}%".format(round(100 - confidence))
        else:
            id = "unknown"
            confidence = "  {0}%".format(round(100 - confidence))
        
        cv2.putText(img, str(id), (x+5,y-5), font, 1, (255,255,255), 2)
        cv2.putText(img, str(confidence), (x+5,y+h-5), font, 1, (255,255,0), 1)  
    # 显示检测结果图像
    cv2.imshow('camera',img) 
	
	# 按ESC退出识别程序
    k = cv2.waitKey(10) & 0xff # Press 'ESC' for exiting video
    if k == 27:
        break

print("\n [提示] 清除内存，退出程序")
cam.release()
cv2.destroyAllWindows()