番外篇1.1：抓取笔记本摄像头+cv2中的人脸识别+把人脸写入数据集

半路出家，感觉简历上没啥可写，准备试着写一写功能型的代码！
首先我们要知道cv2中是有自带的很多分类器（我这边是17个）直接加载在代码里

classfier = cv2.CascadeClassifier("F:/Anaconda/Library/etc/haarcascades/haarcascade_frontalface_alt2")

首先打开摄像头，笔记本的自带摄像头一般index都是0；

window_name = 'face_finder'
cv2.namedWindow(window_name)
cap = cv2.VideoCapture(0)                

然后因为我刚开始没找到这个分类器的目录，在编译的时候加了一个判断分类器有没有成功加载的error报告：

if classfier.empty():
    raise IOError('Unable to load the face cascade classifier xml file')

我们先从视频中读取一帧：

while cap.isOpened():
    re, frame = cap.read() #读取一帧数据
    if not re:            
        break 

然后就可以对应这一帧图像做人脸识别了。为了减少计算量，我们可以先转换图像为灰度图，再进行人脸识别：

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
faceRects = classfier.detectMultiScale(gray, scaleFactor = 1.5, minNeighbors = 3, minSize = (32, 32))
    ```
    gray为输入图像；scaleFactor是缩放比例；
    minNeighbors是对特征检测点周边多少有效点同时检测；
    minSize是检测点的最小值。
    ```
    if len(faceRects) > 0:   #大于0则检测到人脸                                   
        for faceRect in faceRects:  #单独框出每一张人脸
            x, y, w, h = faceRect        
            cv2.rectangle(frame, (x - 5, y - 5), (x + w + 5, y + h + 5), color, 2)#留一个边边

然后就可以显示图像了，最后不要忘了释放

cv2.imshow(window_name, frame)        
    c = cv2.waitKey(10)
    if c & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows() 

至此，就可以实现把人脸和其他物体区分开了，这个图像中的框会跟随着脸移动。
这种方法是利用了opencv自带的分类器，所以代码特别简单。
不过这个程序现在对所有人脸都可以识别出来，但没办法分清楚谁是谁，准备弄一个类似之前一个日本程序员做的老板识别装置一样，只让这个程序识别出是/不是某个特定的人。当然这个功能不止有识别老板的功能，在手机面部解锁这方面应该也可以有应用。不过这个算法毕竟还比较低级，能识别的人数很有限（A/B/C/…/非A&非B&非C…），人数太多可能对神经网络的耗时也会有压力。
在前面的tensorflow（行文至此才发现tensorflow的部分我只写了mnist集（3.1），基本原理压根没细说，告罪，马上补上）中应该说到了，我们既然要训练神经网络，那就要让他有一个训练集。于是我们让这个程序采集我们的若干张图片：

 cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 2)
            img_name = '%s/%d.jpg'%("C:/Users/Administrator/.spyder-py3/video_facefinder/facedata_me", num)                
            image = frame[y - 10: y + h + 10, x - 10: x + w + 10]
            cv2.imwrite(img_name, image)                                

            num += 1                
            if num > (catch_pic_num):   
                break

这段代码插进上一段的相应位置，定义一下缺少的参数就行了。
我电脑比较弟弟，所以就只采了自己的1000张丑脸，其中混入了几张错误识别到的不明物体。如何删除掉呢？方法有很多，比如做颜色分析，平均值接近肤色的识别为脸，其他识别为杂项；比如做频率分析，看高频成分的量，来做区分；不过这些个参数要摸索，我一共1000个脸里就混进了个位数个不明物体，所以我就手动删了。。
然后要把这些个脸全部变成同样大小的图片，为了池化方便我们设置成64*64（随便设置的，whatever），长宽不同的补上黑边，这样缩放时不会让丑脸失真变得更丑。

import os
import sys
import numpy as np
import cv2

IMAGE_SIZE = 64

def resize_image(image, height = IMAGE_SIZE, width = IMAGE_SIZE):
    top, bottom, left, right = (0, 0, 0, 0)

    h, w, _ = image.shape
    #在短边部分加上黑边，使之与长边等长
    longest_edge = max(h, w)  
    if h < longest_edge:
        dh = longest_edge - h
        top = dh // 2
        bottom = dh - top
    elif w < longest_edge:
        dw = longest_edge - w
        left = dw // 2
        right = dw - left
    else:
        pass 

    #RGB颜色
    BLACK = [0, 0, 0]
    constant = cv2.copyMakeBorder(image, top , bottom, left, right, cv2.BORDER_CONSTANT, value = BLACK)
    return cv2.resize(constant, (height, width))

#读取训练数据
images = []
labels = []
def read_path(path_name):    
    for dir_item in os.listdir(path_name):
        #从初始路径开始叠加，合并成可识别的操作路径
        full_path = os.path.abspath(os.path.join(path_name, dir_item))

        if os.path.isdir(full_path):    #如果是文件夹，递归
            read_path(full_path)
        else:   #是文件
            if dir_item.endswith('.jpg'):
                image = cv2.imread(full_path)                
                image = resize_image(image, IMAGE_SIZE, IMAGE_SIZE）
                images.append(image)                
                labels.append(path_name)                                

    return images,labels  #加载数据集


#从指定路径读取训练数据
def load_dataset(path_name):
    images,labels = read_path(path_name)    

    #将输入的所有图片转成四维数组，尺寸为(n*IMAGE_SIZE*IMAGE_SIZE*3)
    images = np.array(images)
    print(images.shape)    

    #标注数据，我的脸部图像全部指定为0，其他的全部指定为1
    labels = np.array([0 if label.endswith('facedata_me') else 1 for label in labels])    
    return images, labels

if __name__ == '__main__':
    if len(sys.argv) != 2:
        print("Usage:%s path_name\r\n" % (sys.argv[0]))    
    else:
        images, labels = load_dataset(sys.argv[1])

这样子就搞好数据集了。后面的步骤等我收集一下别人的大头照再说，溜了溜了。。
突然发现还有keras作为轻量级tensorflow接口，学习一哈，舒服了：
https://blog.csdn.net/zj360202/article/details/78646969（【Tensorflow keras】轻量级深度学习框架 Keras简介）
https://blog.csdn.net/liuuze5/article/details/79529880（使用 Keras + TensorFlow 开发一个复杂深度学习模型）
后面的明天再写，然后把我理解的图像处理+深度学习基础稍微总结一点，就酱。
下一篇：https://blog.csdn.net/dimei0938/article/details/82052702
基础知识：https://blog.csdn.net/dimei0938/article/details/82152617