python实现人脸检测及识别（3）---- 识别真正的boss

    现在模型训练已经完成，只需要一个预测函数判断拍摄的照片是否是boss即可，在boss_train.py里的Model添加predeict实现函数。

 def predict(self, image):
        # 依然是根据后端系统确定维度顺序
        if K.image_dim_ordering() == 'th' and image.shape != (1, 3, IMAGE_SIZE, IMAGE_SIZE):
            image = resize_with_pad(image)                          #尺寸必须与训练集一致都应该是IMAGE_SIZE x IMAGE_SIZE
            image = image.reshape((1, 3, IMAGE_SIZE, IMAGE_SIZE))   #与模型训练不同，这次只是针对1张图片进行预测
        elif K.image_dim_ordering() == 'tf' and image.shape != (1, IMAGE_SIZE, IMAGE_SIZE, 3):
            image = resize_with_pad(image)
            image = image.reshape((1, IMAGE_SIZE, IMAGE_SIZE, 3))
        # 浮点并归一化
        image = image.astype('float32')
        image /= 255
        # 给出输入属于各个类别的概率，我们是二值类别，则该函数会给出输入图像属于0和1的概率各为多少
        result = self.model.predict_proba(image)
        print(result)
        # 给出类别预测：0或者1
        result = self.model.predict_classes(image)
        # 返回类别预测结果
        return result[0]

以下是最终的实现代码：

# -*- coding:utf-8 -*-
import cv2

from boss_train import Model
from image_show import show_image


if __name__ == '__main__':
    cap = cv2.VideoCapture(0)
    # 人脸识别分类器本地存储路径
    cascade_path = "haarcascade_frontalface_default.xml"
    #加载模型
    model = Model()
    model.load()
    while True:
        _, frame = cap.read()
        cv2.imshow("识别朕", frame)
        ##图像灰化，降低计算复杂度
        frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

        # 使用人脸识别分类器，读入分类器
        cascade = cv2.CascadeClassifier(cascade_path)

        # 利用分类器识别出哪个区域为人脸
        facerect = cascade.detectMultiScale(frame_gray, scaleFactor=1.2, minNeighbors=3, minSize=(8, 8))

        if len(facerect) > 0:
            print('face detected')
            color = (255, 255, 255)  # 白
            for rect in facerect:
                # 截取脸部图像提交给模型识别这是谁
                cv2.rectangle(frame, tuple(rect[0:2]), tuple(rect[0:2] + rect[2:4]), color, thickness=2)

                x, y = rect[0:2]
                width, height = rect[2:4]
                image = frame[y - 10: y + height, x: x + width]

                result = model.predict(image)
                if result == 0:  # boss
                    print('Boss is approaching')
                    #cv2.imshow("识别朕", frame)
                    show_image()
                else:
                    print('Not boss')

        #10msec的带灯时间
        k = cv2.waitKey(10)
        #Esc退出
        if k == 27:
            break

    # 释放摄像头并销毁所有窗口
    cap.release()
    cv2.destroyAllWindows()

     当我走进摄像头的视野，电脑桌面跳出预备的照片，测试显示结果不错。

注意：增加自身训练数据集可提高对boss识别精度，增加其他人的训练数据量，可减少误判。