python 实时人脸识别 三部曲

实则一个分类任务（得到相应的输出）

第一步，收集数据集

收集数据集，即收集人脸图像。通过opencv自带人脸检测器检测人脸，然后将人脸保存为数据集。
实现过程：

import cv2
face_detector = cv2.CascadeClassifier('检测器位置（路径）')  #创建人脸检测器
face_id = input('\n enter user id :    ')      #  数据集人脸label
count = 0
cap = cv2.VideoCapture(0 or  视频路径)
while   Ture:
	sucess,img = cap.read()         # 布尔值，单帧图像
	gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)   #灰度图可以减少人脸检测的时间
	faces = face_detector.detectMultiScale(gray,1.1,4)   #检测器检测
	for (x,y,w,h) in faces :
		cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0))        #人脸画框
		cv2.imwrite("在同一级目录下创建一个facedata文件夹，在这输入路径"，gray[y:y+h,x:x+w])      
		count +=1
		cv2.imshow('image',img)
	if count %100 == 0：
		prnt('have been collected : %d'%count)
	if  cv2.waitKey(1) == 27:     #esc键值=27
		break
	elif  count >= 1000:
		break
cap.release()
cv2.destroyAllWindows()			 

第二部，训练—训练器（训练算法）

使用opencv自带的训练器，在那训练前，再对数据集进行人脸筛选一次。

import numpy as np
import os
import cv2

path = 'facedata' # 人脸数据路径

recognizer = cv2.face.LBPHFaceRecognizer_create()      # 创建人脸识别器 （模型）
detector = cv2.CascadeClassifier("D:\\untitled2\\venv\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_default.xml")


def getImagesAndLabels(path):
    imagePaths = [os.path.join(path, f) for f in os.listdir(path)]             # os.path.join()拼接单张图片的路径 组成列表
    faceSamples = []
    ids = []
    for imagePath in imagePaths:            # 遍历列表，得到路径
        img_numpy =cv2.imread(imagePath,-1)     #img = Image.open(imagePath).convert('L')  img_numpy = np.array(img,'uint8')   # image转换为array
        id = int(os.path.split(imagePath)[-1].split(".")[1])        # os.path.split() 分开路径与文件名  split()以 . 为分隔符 再索引
        faces = detector.detectMultiScale( img_numpy )               # 再次检验人脸
        for (x, y, w, h) in faces:
            faceSamples.append(img_numpy[y:y + h, x: x + w])
            ids.append(id)
    return faceSamples, ids


print('Training faces. It will take a few seconds. Wait ...')
faces, ids = getImagesAndLabels(path)
recognizer.train(faces,np.array(ids))   # 训练函数

recognizer.write(r'face_trainer\trainer.yml')          # 保存训练数据
print("{0} faces trained. Exiting Program".format(len(np.unique(ids))))        # np.unique()保留数组中不同的数字

第三步，训练器预测

通过predict()函数可以预测出图像的label，cost（成本）。通过成本计算出精度。

import cv2

recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('face_trainer/trainer.yml')          # 读取训练模型（数据）
cascadePath = "D:\\untitled2\\venv\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_default.xml"
faceCascade = cv2.CascadeClassifier(cascadePath)      # 创建检测器
font = cv2.FONT_HERSHEY_SIMPLEX       # 正常尺寸的一种字体

idnum = 0

names = ['zhangbicheng','xiaoxinwang']

cam = cv2.VideoCapture(0)
cam.set( 3 ,640)         # 设置高宽
cam.set( 4, 480)
minW = 0.1*cam.get(3)      # 获取每一帧的高
minH = 0.1*cam.get(4)      # 宽

while True:
    ret, img = cam.read()
    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)
        idnum , confidence = recognizer.predict(gray[y:y+h, x:x+w])  # 预测函数 返回预测标记  cost

        if confidence < 100:      # cost
            idnum = names[idnum]
            confidence = "{0}%".format(round(100 - confidence))   # 精度     四舍五入
        else:
            idnum = "unknown"
            confidence = "{0}%".format(round(100 - confidence))

        cv2.putText(img, str(idnum), (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)   # 图片，添加的文字，坐标，字体，字体大小，颜色，字体粗细
    cv2.imshow("camera",img)
    if cv2.waitKey(1) == 27:
        break

cam.release()
cv2.destroyAllWindows()