如何使用python实现人脸识别

这篇文章将为大家详细讲解有关如何使用python实现人脸识别，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

一、首先

梳理一下实现人脸识别需要进行的步骤：

流程大致如此，在此之前，要先让人脸被准确的找出来，也就是能准确区分人脸的分类器，在这里我们可以用已经训练好的分类器，网上种类较全，分类准确度也比较高，我们也可以节约在这方面花的时间。

既然用的是python，那自然少不了包的使用了，在看代码之前，我们先将整个项目所需要的包罗列一下：

· CV2(Opencv)：图像识别，摄像头调用

· os：文件操作

· numpy：NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库

· PIL：Python Imaging Library，Python平台事实上是图像处理的标准库

二、接下来

1.对照人脸获取

#-----获取人脸样本-----
import cv2
 
#调用笔记本内置摄像头，参数为0，如果有其他的摄像头可以调整参数为1,2
cap = cv2.VideoCapture(0)
#调用人脸分类器，要根据实际路径调整3
face_detector = cv2.CascadeClassifier(r'X:/Users/73950/Desktop/FaceRec/haarcascade_frontalface_default.xml') #待更改
#为即将录入的脸标记一个id
face_id = input('\n User data input,Look at the camera and wait ...')
#sampleNum用来计数样本数目
count = 0
 
while True: 
 #从摄像头读取图片
 success,img = cap.read() 
 #转为灰度图片，减少程序符合，提高识别度
 if success is True: 
  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
 else: 
  break
 #检测人脸，将每一帧摄像头记录的数据带入OpenCv中，让Classifier判断人脸
 #其中gray为要检测的灰度图像，1.3为每次图像尺寸减小的比例，5为minNeighbors
 faces = face_detector.detectMultiScale(gray, 1.3, 5)
 
 #框选人脸，for循环保证一个能检测的实时动态视频流
 for (x, y, w, h) in faces:
  #xy为左上角的坐标,w为宽，h为高，用rectangle为人脸标记画框
  cv2.rectangle(img, (x, y), (x+w, y+w), (255, 0, 0))
  #成功框选则样本数增加
  count += 1 
  #保存图像，把灰度图片看成二维数组来检测人脸区域
  #(这里是建立了data的文件夹，当然也可以设置为其他路径或者调用数据库)
  cv2.imwrite("data/User."+str(face_id)+'.'+str(count)+'.jpg',gray[y:y+h,x:x+w]) 
  #显示图片
  cv2.imshow('image',img)  
  #保持画面的连续。waitkey方法可以绑定按键保证画面的收放，通过q键退出摄像
 k = cv2.waitKey(1)  
 if k == '27':
  break  
  #或者得到800个样本后退出摄像，这里可以根据实际情况修改数据量，实际测试后800张的效果是比较理想的
 elif count >= 800:
  break
 
#关闭摄像头，释放资源
cap.realease()
cv2.destroyAllWindows()

经博主测试，在执行

“face_detector = cv2.CascadeClssifier(r'C:\Users\admin\Desktop\python\data\ haarcascade_frontalface_default.xml')”此语句时，实际路径中的目录名尽量不要有中文字符出现，否则容易报错。

这样，你的电脑就能看到你啦！

2. 通过算法建立对照模型

本次所用的算法为opencv中所自带的算法，opencv较新版本中（我使用的是2.4.8）提供了一个FaceRecognizer类，里面有相关的一些人脸识别的算法及函数接口，其中包括三种人脸识别算法（我们采用的是第三种）

1.eigenface

2.fisherface

3.LBPHFaceRecognizer

LBP是一种特征提取方式，能提取出图像的局部的纹理特征，最开始的LBP算子是在3X3窗口中，取中心像素的像素值为阀值，与其周围八个像素点的像素值比较，若像素点的像素值大于阀值，则此像素点被标记为1，否则标记为0。这样就能得到一个八位二进制的码，转换为十进制即LBP码，于是得到了这个窗口的LBP值，用这个值来反映这个窗口内的纹理信息。

LBPH是在原始LBP上的一个改进，在opencv支持下我们可以直接调用函数直接创建一个LBPH人脸识别的模型。

我们在前一部分的同目录下创建一个Python文件，文件名为trainner.py，用于编写数据集生成脚本。同目录下，创建一个文件夹，名为trainner，用于存放我们训练后的识别器。

#-----建立模型、创建数据集-----#-----建立模型、创建数据集-----
 
import os
import cv2
import numpy as np
from PIL import Image
#导入pillow库，用于处理图像
#设置之前收集好的数据文件路径
path = 'data'
 
#初始化识别的方法
recog = cv2.face.LBPHFaceRecognizer_create()
 
#调用熟悉的人脸分类器
detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
 
#创建一个函数，用于从数据集文件夹中获取训练图片,并获取id
#注意图片的命名格式为User.id.sampleNum
def get_images_and_labels(path):
 image_paths = [os.path.join(path,f) for f in os.listdir(path)]
 #新建连个list用于存放
 face_samples = []
 ids = []
 
 #遍历图片路径，导入图片和id添加到list中
 for image_path in image_paths:
 
  #通过图片路径将其转换为灰度图片
  img = Image.open(image_path).convert('L')
 
  #将图片转化为数组
  img_np = np.array(img,'uint8')
 
  if os.path.split(image_path)[-1].split(".")[-1] != 'jpg':
   continue
 
  #为了获取id，将图片和路径分裂并获取
  id = int(os.path.split(image_path)[-1].split(".")[1])
  faces = detector.detectMultiScale(img_np)
 
  #将获取的图片和id添加到list中
  for(x,y,w,h) in faces:
   face_samples.append(img_np[y:y+h,x:x+w])
   ids.append(id)
 return face_samples,ids
 
#调用函数并将数据喂给识别器训练
print('Training...')
faces,ids = get_images_and_labels(path)
#训练模型
recog.train(faces,np.array(ids))
#保存模型
recog.save('trainner/trainner.yml')

3.识别

检测，校验，输出其实都是识别的这一过程，与前两个过程不同，这是涉及实际使用的过程，所以我们把他整合放在一个统一的一个文件内。

#-----检测、校验并输出结果-----
import cv2
 
#准备好识别方法
recognizer = cv2.face.LBPHFaceRecognizer_create()
 
#使用之前训练好的模型
recognizer.read('trainner/trainner.yml')
 
#再次调用人脸分类器
cascade_path = "haarcascade_frontalface_default.xml" 
face_cascade = cv2.CascadeClassifier(cascade_path)
 
#加载一个字体，用于识别后，在图片上标注出对象的名字
font = cv2.FONT_HERSHEY_SIMPLEX
 
idnum = 0
#设置好与ID号码对应的用户名，如下，如0对应的就是初始
 
names = ['初始','admin','user1','user2','user3']
 
#调用摄像头
cam = cv2.VideoCapture(0)
minW = 0.1*cam.get(3)
minH = 0.1*cam.get(4)
 
while True:
 ret,img = cam.read()
 gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
 #识别人脸
 faces = face_cascade.detectMultiScale(
   gray,
   scaleFactor = 1.2,
   minNeighbors = 5,
   minSize = (int(minW),int(minH))
   )
 #进行校验
 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])
 
  #计算出一个检验结果
  if confidence < 100:
   idum = names[idnum]
   confidence = "{0}%",format(round(100-confidence))
  else:
   idum = "unknown"
   confidence = "{0}%",format(round(100-confidence))
 
  #输出检验结果以及用户名
  cv2.putText(img,str(idum),(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)
 
  #展示结果
  cv2.imshow('camera',img)
  k = cv2.waitKey(20)
  if k == 27:
   break
 
#释放资源
cam.release()
cv2.destroyAllWindows()

现在，你的电脑就能识别出你来啦！

通过其他组合也可以实现开机检测等多种功能，你学会了吗？

下面是博主审稿时的测试结果以及出现的一些问题哦~希望对大家有帮助（呲牙.jpg）

测试结果：

博主审稿测试过程中出现的问题：

（1）版本问题

解决方法：经过博主无数次的失败，提示大家最好安装python2.7，可以直接使用 pip install numpy 以及pip install opencv-python安装numpy 以及对应python版本的opencv

（如果使用的是Anaconda2，pip相关命令可在开始菜单Anaconda2文件夹下的Anaconda Prompt中输入）

点击推文中给出的链接，将github中的文件下载后放至编译文件所在的文件夹下，并更改代码中的相关目录

（2）如果提示“module' object has no attribute 'face'”

解决方法：可以输入 pip install opencv-contrib-python解决，如果提示需要commission，可以在后面加上 --user,即 pip install opencv-contrib-python --user

关于“如何使用python实现人脸识别”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。