用OpenCv-Python自带的LBPH识别器实现简单人脸识别（上）

引言：

本文开发环境为： Windows10 + phchram + Anaconda5.2 （Python3.6）+ Opencv4.5.5,用opencv-contrib原生的API完成了人脸识别的功能，其可以任意添加人脸ID数据，但其效果比较差（勉强能用），如果日后有时间的话，给大家出一期（挖坑）利用基于paddle人脸识别教程。

特别注意：上篇只是一个大致流程和核心API的讲解，其含有大量细节未补充，如果有copy需求，请看下篇！

一、环境搭建

此处不做赘述，只提一点，Opencv需要下载opencv_contrib_python这个包，这个contrib是opencv的拓展版，包括了opencv的主要模块和一些拓展的算法，注意：下载一个contrib就可以，不要把两个2个都安装。

二、思路解析

我们完成人脸识别，需要哪些步骤？

（1）数据的收集

毫无疑问，第一步是人脸数据的采集，我们要得到这个人的面部数据和其对应的ID,我们需要写一个函数去采集这些东西，我们需要2个参数，一个是int类型的ID号码，一个是字符串类型的名字，至于为什么不能直接输入名字，我们后面会讲到

def get_data(id,face_name):
1

下面介绍一下核心的API

#这个函数可以帮助我们去找到图像中的人脸部分，返回值是一个包含4个元素的列表，分别是x，y坐标，以及宽度和高度。
face_xy = face_detector.detectMultiScale(src)
#我们得到face的坐标之后，可以直接截取下来，然后resize一下，保存下来，方便我们日后的训练
src = src[X:x+w,y:y+h]
#保存图像,里面填写地址和要保存的图像
cv2.imwrite()
1
2
3
4
5
6

经过这步，我们会得到size固定的人脸图片，类似这样的文件名字：

1.NAME.1.jpg，1.NAME.2.jpg，1.NAME.3.jpg，1.NAME.4.jpg ... 
1

其中第一个数字，是我们这个人的ID，第二个是我们的姓名，第三个则是代表我们这个ID号的照片序号，如ID为1的第1张照片。

（2）模型的训练

我们得到了ID和图像信息之后，需要构建一个训练器trainer，其中，我们需要的核心API如下：

recognizer.train(images, np.array(ids))
1

他需要我们导入2个数组，一个是图像数组，一个是ID数据，比如说，我们现在要训练2个ID，每个ID包括2张图片，那么输入的参数就应该长这样：

#由于字数原因，我就简写，这个图像矩阵就是uint8_t的灰度矩阵，0-255之间取值
images = [图像1矩阵，图像2矩阵，图像3矩阵，图像4矩阵]
 #这个就是序号的矩阵，需要和前面的图像一一对应！
ids = [1,1,2,2]								   
1
2
3
4

那么问题来了，我们如何让图像与序号对应，一个一个写？当然可以，但如果图像很多呢，显然不太现实，所以我们需要专门写一个函数来帮助我们来，绑定这个ID和图像，还记得我们前面的命名规则吗？我们可以用OS库轻松的将其分离开来，如何利用append插入数组，完成数据的绑定。

下面我们来介绍核心API，使用他需要导入OS库

1.拼接路径，我直接放效果： os.path.join(path,f)

test_path = os.path.join('data/','test.jpg')
print(test_path)
#输出：
$data/test.jpg
1
2
3
4

2.显示路径下所有文件的信息：os.listdir(path)

test_path = os.listdir(path)
print(test_path)
#输出：路径下所有文件
$['1.HQS.1.jpg', '1.HQS.10.jpg', '1.HQS.100.jpg']	
1
2
3
4

3.分割函数： os.path.spilt()

test_path = 'data/1.HQS.1.jpg'
test = os.path.split(test_path)
print(test)
#输出一个数组
$('data', '1.HQS.1.jpg')
#可以[1]取文件的名称,然后spilt('.')，以.为分割符继续分割,然后[0]取我们的ID
test_path = 'data/1.HQS.1.jpg'
test = os.path.split(test_path)[1].split('.')[0]
print(test)
#输出
$1
1
2
3
4
5
6
7
8
9
10
11

之后就简单许多，我们只需要遍历文件夹里的人脸数据，然后把图像和ID append到我们的列表里,便可以完成图像与ID的对应。

我们得到了对应ID列表和图像列表之后，就可以开始训练了，训练很简单，opencv给我们提供了识别器，以下为核心API介绍：

recognizer = cv2.face.LBPHFaceRecognizer_create()	#加载识别器
recognizer.train(faces, np.array(ids))				#导入数据，开始训练
recognizer.write('trainer/trainer.yml')				#保存数据
1
2
3

至此，模型训练完毕，接下来就是部署了。

（3）模型的部署

经过我们的训练，我们可以得到一个权重文件yml，我们只需要建立一个识别器对象，读取yml的路径，然后使用.predict，就可以返回2个参数，一个是置信度，一个是ID编号，置信度越高，可信几率越低，下面我们看看具体的步骤：

1.读取图像，转化灰度图

#这个没啥好说的，你可以单张图片预测，也可以开启摄像头或者视频,这里以单张图片举例
test = cv2.imread('data/1.HQS.1.jpg')
gray = cv2.cvtColor(test, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像
1
2
3

2.加载检测器，裁取人脸图像

读取到图片之后，我们需要把图片中的人脸裁出来，然后resize拉一下，方便预测

#加载分类器，路径填自己的
face_detector = cv2.CascadeClassifier('G:/opencv/build/etc/haarcascades/haarcascade_frontalface_default.xml')
#这个函数之前我们介绍过
face = face_detector.detectMultiScale(gray)
#裁出人脸部分，if是为了防止没有检测到人脸导致程序卡死
if face is not None:
    for x, y, w, h in face:
        cv2.rectangle(img, (x, y), (x+w, y+h), color=(0, 0, 255), thickness=2)
        gray = gray[y:y + h, x:x + w]
        gray = cv2.resize(gray,dsize=(500,500))
1
2
3
4
5
6
7
8
9
10

3.加载识别器，将图像对比

我们得到人脸图片之后，就可以开始预测了，下面介绍一下核心API

/****************************************************
分类器预测函数.predict，输入参数是图片，输出有2个，一个是ID序号
就是我们模型训练时候的那个ids里的内容，还有一个就是置信度，这个置
信度越高表明可信度越低，没错，是反比的关系，下面我们随便举一个例子
来讲。
****************************************************/
#假设我们以及把人脸照片传了进去，他预测完了之后，返回2个值
#id列表
names = ['name1','name1']
id，ture = recogizer.predict(gray)
#根据置信度判断，并且在图像上画图
if (confidence > 50):
	cv2.putText(test,'unknow', (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)
else:
	cv2.putText(img,str(names[id-1]), (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)
cv2.imshow('result', test)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

结语：

上篇至此完结，下篇会有完整的代码，如果觉得有错误的地方，欢迎大家讨论交流。

转载声明：原文链接