前言

今天，我们用Python实现简单的人脸识别技术！

Python里，简单的人脸识别有很多种方法可以实现，依赖于python胶水语言的特性，我们通过调用包可以快速准确的达成这一目的。这里介绍的是准确性比较高的一种。

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("

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:UsersadminDesktoppythondata 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

以上就是10分钟学会使用python实现人脸识别(附源码)的详细内容，更多关于python 人脸识别的资料请关注云海天教程其它相关文章！