python之人脸检测与识别初探
python之人脸检测初探
- 人脸检测的种类
- 人脸检测在生活中的应用
- 人脸检测与人脸识别
- 如何使用OpenCV进行人脸检测
- 关于HaarCascade
- 级联分类器的使用方法
- 人脸检测的效果演示
- 人脸检测-V1
- 人脸检测-V2
- 程序流程讲解
- 如何提高人脸识别的速度？
人脸检测的种类
人脸识别分为哪几类的？可分为两种。
一是静态人脸识别：指被识别人，处于静态状态或配合状态下，采集其人脸图像，进行图像识别，此类需要当事人的配合，一般会暂用当事人1-2秒的时间，此部分适合应用于对时间不敏感或者对采集人脸不反感的场所，例如：人脸门禁、身份识读，考勤打卡，网吧身份证核查，访客登记等场合；
二是动态人脸识别：指被识别的人，处于移动状态或者步行等非配合情况下，采集其人脸视频，进行人脸识别，此类不需要当事人配合，因此引用当事人无感场所，例如：车站、机场、码头等人流集中地，实现重点人脸管控，防患于未然。
人脸检测在生活中的应用
人脸识别在我们生活中的应用越来越广泛。
你可以扫脸解锁手机，扫脸支付，可以扫脸开门，人脸变成了一个人非常重要的生物信息。 现在人脸识别技术发展愈加成熟，应用领域也越来越泛，比如云脉人脸识别系统可应用在以下场景：
- 企业、住宅安全和管理：如人脸识别门禁考勤系统，人脸识别防盗门等。
- 电子护照及身份证：中国的电子护照计划公安部一所正在加紧规划和实施。
- 公安、司法和刑侦：如利用人脸识别系统和网络，在全国范围内搜捕逃犯。
- 自助服务：如自助实名认证，自助远程开户等。
- 信息安全：如计算机登录、电子政务和电子商务。
人脸检测与人脸识别
在开始讲解人脸检测之前，先帮大家解析经常被搞混的两个概念：人脸检测 vs 人脸识别。注意！！ 大家经常会搞混的概念。
分清楚这两个概念的不同，简单来讲，他们的核心区别在于：
-
哪有脸？人脸检测 （是在图像中定位人脸区域的过程）
-
脸是谁？人脸识别 （分类检测这个脸是谁）
一种是把人脸检测获得的人脸区域，在已知人脸库进行比对；
另外一种是针对人脸图像特征，提取特征值。特征值数组 用来标识人脸信息。
后者更实用。
从顺序来讲，先进行人脸检测，然后再进行人脸识别。
那我们今天就先来讲讲如何使用OpenCV进行人脸检测。
如何使用OpenCV进行人脸检测
关于HaarCascade
OpenCV中人脸识别是通过Haar特征的级联分类器实现，在这里暂不涉及太多底层算法原理部分的讲解。
实际上OpenCV里面有很多预先训练好的HaarCascade模型(XML文件) , 例如正脸检测， 眼睛检测， 全身检测，下半身检测等。
在OpenCV的两个代码仓库里面都有。
数据1: opencv/data/cascades
数据2: opencv_contrib/modules/face/data/cascades
级联分类器的使用方法
通过FaceCascade模型， 输入图片， 我们可以获取人脸所在区域的矩形位置。
模型的使用方法比较简单， 首先要载入对应的HaarCascade文件， 文件格式为xml。 这里为了方便大家使用， 我已经将文件下载到了haar文件夹下， 可以通过相对路径进行引用。
├── FaceDetection-v1.py
├── FaceDetection-v2.py
├── face.mp4
├── face.png
├── haar
├── haarcascade_eye.xml
└── haarcascade_frontalface_default.xml
我们在CascadeClassifier中传入对应HaarCascade文件
# 载入人脸检测的Cascade模型
FaceCascade = cv2.CascadeClassifier('./haar/haarcascade_frontalface_default.xml')
输入 Input
接下来就是将图片的灰度图传入到这个FaceCascade模型中， 进行人脸检测。
# 检测画面中的人脸
faces = FaceCascade.detectMultiScale(gray)
输出 Output
返回的faces是人脸所在区域的ROI数组， 例如：
[(x1, y1, w1, h1), (x2, y2, w2, h2)]
当然， 你可以设定不同的参数，例如设定缩放因子， 设置最小邻居阈值。
# 检测画面中的人脸
faces = FaceCascade.detectMultiScale(
gray,
scaleFactor=1.1,
minNeighbors=5
)
参数的具体含义与使用方法见OpenCV的官方API文档 :
OpenCV官方文档： cascadeclassifier-detectmultiscale
ROI 的全称是Region Of Interest , 用于表示在画面的子区域。整个画面的原点（0,0） ， 在整个画面中的左上角。 ROI 本质上是Tuple类型的数据，其中（x,y）代表人脸所在矩形区域的左上角坐标， w 代表矩形的宽度， h代表矩形的高度。
人脸检测的效果演示
人脸检测-V1
从图片中读入图片，识别人脸，并在图片中标识人脸所在的矩形区域。
人脸检测-V2
人脸识别v2版的效果演示， 里面用到了两个HaarCascade模型， 一个是识别人脸的模型， 另外一个是识别眼睛的模型。
程序流程讲解
人脸识别v1的代码里面核心三个主要模块 ：HighGUI 上位机部分， Draw 绘图模块， CascadeClassifier 级联分类器。
程序大致的流程如下：
- HighGUI 读入图片， 并转换为灰度图
- CascadeClassifier 载入 人脸检测的级联模型（xml）文件
- CascadeClassifier 使用模型检测灰度图中的人脸，返回faces
- Draw 遍历faces，在彩图上绘制人脸的矩形区域
- HighGUI创建一个窗口叫做Face
- HighGUI 在窗口Face中展示图像（绘制人脸矩形区域后的）
- HighGUI 等待任意按键按下
- HighGUI 退出程序，关闭所有的窗口
FaceDetection-v1.py
# -*- coding:utf-8 -*-
'''
人脸识别FaceDetection
通过HaarCascade模型，进行人脸识别与眼睛识别，在视频流中绘制矩形，标识人脸
'''
import cv2
# 设置图片路径
img_path = 'face.png'
# 载入带有人脸的图片
img = cv2.imread(img_path)
if img is None:
# 判断图片是否读入正确
print("ERROR：请检查图片路径")
exit(1)
# 将彩色图片转换为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 载入人脸检测的Cascade模型
FaceCascade = cv2.CascadeClassifier('./haar/haarcascade_frontalface_default.xml')
# 检测画面中的人脸
faces = FaceCascade.detectMultiScale(
gray,
scaleFactor=1.1,
minNeighbors=5
)
# 遍历返回的face数组
for face in faces:
# 解析tuple类型的face位置数据
# (x, y): 左上角坐标值
# w: 人脸矩形区域的宽度
# h: 人脸矩形区域的高度
(x, y, w, h) = face
# 在原彩图上绘制矩形
cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 4)
# 创建一个窗口 名字叫做Face
cv2.namedWindow('Face',flags=cv2.WINDOW_NORMAL | cv2.WINDOW_KEEPRATIO | cv2.WINDOW_GUI_EXPANDED)
# 在窗口Face上面展示图片img
cv2.imshow('Face', img)
# 等待任意按键按下
cv2.waitKey(0)
# 关闭所有的窗口
cv2.destroyAllWindows()
如何提高人脸识别的速度？
**
- 缩小检索范围， 在上一帧人脸所在矩形周围寻找。
- 缩放，在低分辨率下检索，然后逐步精确位置。