首页 > 编程语言 >[Python急救站]人脸识别技术练习

[Python急救站]人脸识别技术练习

时间:2024-04-28 09:03:55浏览次数:20  
标签:急救站 人脸识别 reference Python image cv2 face import path

这段时间做了一个用于初学者学习人脸识别系统的程序,在上代码时,先给说说事前准备:

首先我们需要一个OpenCV的一个haarcascade_frontalface_default.xml文件,只要去GitHub上面即可下载:https://github.com/opencv/opencv

点击Code,选择Download ZIP,下载后解压在目录下opencv-4.x\data\haarcascades中可以找到haarcascade_frontalface_default.xml,这个时候将这个文件复制到你的工程目录下。

第二个要准备的文件是:lfw-deepfunneled,这个文件在网站中下载:https://vis-www.cs.umass.edu/lfw/#download

进入网站后下拉找到Download the database:  ,然后在这个模块中找到All images aligned with deep funneling,点击下载后,将压缩包解压到工程目录下即可。

然后创建一个模型训练的py文件,代码如下:

import os
import numpy as np
import cv2
from matplotlib import pyplot as plt
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report, confusion_matrix
from joblib import dump

# 设置数据集路径
lfw_home = 'D:/Pythonxiangmu/Python/renlian/lfw-deepfunneled'  # 替换为实际路径
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')


# 函数:从目录加载图像并提取人脸区域
def load_images_and_labels(directory):
    images = []
    labels = []
    for label in sorted(os.listdir(directory)):
        if not os.path.isdir(os.path.join(directory, label)):
            continue
        for img_path in os.listdir(os.path.join(directory, label)):
            img = cv2.imread(os.path.join(directory, label, img_path), cv2.IMREAD_GRAYSCALE)
            faces = face_cascade.detectMultiScale(img, scaleFactor=1.1, minNeighbors=5)
            if len(faces) > 0:
                for (x, y, w, h) in faces:
                    face_img = img[y:y + h, x:x + w]
                    face_img_resized = cv2.resize(face_img, (130, 195))  # 保持与应用代码一致
                    images.append(face_img_resized.flatten())
                    labels.append(label)
    return np.array(images), np.array(labels)


def train_face_recognition_model(dataset_path):
    # 加载图像和标签
    X, labels = load_images_and_labels(dataset_path)

    # 数据集划分
    X_train, X_test, y_train, y_test = train_test_split(X, labels, test_size=0.25, random_state=42)

    # 特征缩放
    scaler = StandardScaler()
    X_train_scaled = scaler.fit_transform(X_train)
    X_test_scaled = scaler.transform(X_test)

    # PCA降维
    n_components = 150  # 选择合适的主成分数
    pca = PCA(n_components=n_components, whiten=True)
    X_train_pca = pca.fit_transform(X_train_scaled)
    X_test_pca = pca.transform(X_test_scaled)

    # 训练逻辑回归模型
    clf = LogisticRegression(C=1e5)
    clf.fit(X_train_pca, y_train)

    # 预测与评估
    y_pred = clf.predict(X_test_pca)
    print("Classification Report:")
    print(classification_report(y_test, y_pred))
    print("Confusion Matrix:")
    print(confusion_matrix(y_test, y_pred))

    # Eigenfaces进行可视化(可选)
    n_components_to_show = 10
    """可视化前n个Eigenfaces"""
    eigenfaces = pca.components_
    eigenface_titles = ["Eigenface %d" % i for i in range(1, n_components_to_show + 1)]

    # 选择前n个Eigenfaces进行可视化

    for i in range(n_components_to_show):
        eigenface = eigenfaces[i].reshape(195, 130)  # 根据之前调整的尺寸进行重塑
        plt.subplot(2, 5, i + 1)
        plt.imshow(eigenface, cmap='gray')
        plt.title(eigenface_titles[i])
        plt.axis('off')  # 不显示坐标轴

    plt.show()
    # 保存模型与预处理器
    dump(clf, 'model.pkl')
    dump(scaler, 'scaler.pkl')
    dump(pca, 'pca.pkl')


# 调用函数以执行训练流程
train_face_recognition_model(lfw_home)

运行结束后,就会在你的工程目录下创建三个训练好的pkl文件。

然后再创建一个人脸识别用的py文件,代码如下:

import os
from tkinter import Tk, Label, messagebox
import cv2
import joblib
import numpy as np
from PIL import Image, ImageTk

# 加载预先训练好的LogisticRegression模型,用于后续的人脸识别
model = joblib.load('model.pkl')

# 加载特征缩放器,用于标准化输入数据,提高模型识别性能
scaler = joblib.load('scaler.pkl')

# 加载PCA模型,用于降维处理,减少计算复杂度并去除噪声
pca = joblib.load('pca.pkl')


# 定义函数:从给定路径加载参考照片并提取其面部特征
def load_reference_image(reference_path):
    # 使用OpenCV读取灰度图像作为参考照片
    reference_image = cv2.imread(reference_path, cv2.IMREAD_GRAYSCALE)

    # 利用预设的人脸检测器检测参考照片中的人脸
    reference_faces = face_cascade.detectMultiScale(reference_image)

    # 确保至少检测到一张人脸,否则抛出错误
    if len(reference_faces) == 0:
        raise ValueError("No face detected in reference image.")

    # 获取检测到的第一张人脸区域
    reference_face_roi = reference_image[
                         reference_faces[0][1]:reference_faces[0][1] + reference_faces[0][3],
                         reference_faces[0][0]:reference_faces[0][0] + reference_faces[0][2]
                         ]

    # 对提取的参考人脸区域进一步预处理,准备用于模型识别
    preprocessed_reference_face = preprocess_face(reference_face_roi)

    # 返回预处理后的面部特征数据
    return preprocessed_reference_face


# 定义函数:预处理输入的人脸图像,以便用于模型识别
def preprocess_face(face_image):
    # 确保图像尺寸与训练时一致(130x195)
    face_image_resized = cv2.resize(face_image, (130, 195))

    # 图像数据展平
    img_flattened = face_image_resized.flatten()  # 调整尺寸后,直接展平

    # 特征缩放
    img_scaled = scaler.transform(img_flattened.reshape(1, -1))

    # PCA降维
    img_pca = pca.transform(img_scaled)

    # 使用训练好的模型进行预测

    return img_pca


# 定义函数:识别视频流中的脸部并判断是否为目标人物
def recognize_faces(frame):
    # 将视频帧转换为灰度图像,便于人脸检测
    gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    # 使用预定义的人脸级联分类器检测图像中的人脸
    face_rects = face_cascade.detectMultiScale(gray_frame, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
    # 遍历检测到的每一个人脸区域
    for (x, y, w, h) in face_rects:
        # 提取人脸区域
        face_roi = gray_frame[y:y + h, x:x + w]
        # 对该人脸区域进行预处理
        preprocessed_face = preprocess_face(face_roi)
        # 使用模型预测该人脸属于各个类别的概率
        probabilities = model.predict_proba(preprocessed_face.reshape(1, -1))[0]
        # 获取最可能的预测类别
        predicted_label = np.argmax(probabilities)
        # 若预测类别与目标人物标签匹配,则认为识别到了目标人物
        if predicted_label == target_person_label:
            return True
    # 若未识别到目标人物,则返回False
    return False


# 加载OpenCV预训练的人脸检测模型(基于Haar特征的级联分类器)
base_dir = r"D:\Pythonxiangmu\Python\renlian"
xml_path = os.path.join(base_dir, "haarcascade_frontalface_default.xml")
face_cascade = cv2.CascadeClassifier(xml_path)

# 设置目标人物在模型中的标签假设
target_person_label = 0

# 初始化Tkinter图形界面,用于展示视频流及识别结果
root = Tk()
root.title("Face Recognition System")
root.geometry("800x600")

# 创建一个Label控件用于动态显示视频帧
label = Label(root)
label.pack(fill="both", expand=True)

# 加载并预处理参考照片,获取其特征编码
photo_path = os.path.join(base_dir, "zhaopian.jpg")
reference_face_encoding = load_reference_image(photo_path)


# 定义视频流展示的回调函数,持续更新显示内容并执行人脸识别
def show_frame():
    # 从摄像头读取一帧图像
    ret, frame = cap.read()
    if ret:  # 确保成功读取到帧
        # 尝试识别当前帧中的人脸
        is_recognized = recognize_faces(frame)
        # 若识别到目标人物,弹出提示框
        if is_recognized:
            messagebox.showinfo("Recognition Result", "Face recognized!")
        # 转换图像色彩空间以适应Tkinter显示,并调整尺寸
        rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        pil_image = Image.fromarray(rgb_frame)
        resized_image = pil_image.resize((root.winfo_width(), root.winfo_height()))
        # 转换为Tkinter兼容的图像格式并更新显示
        tk_image = ImageTk.PhotoImage(image=resized_image)
        label.config(image=tk_image)
        label.image = tk_image  # 防止图像对象被提前释放
        # 定时调用自身以实现连续更新
        root.after(1, show_frame)


# 初始化摄像头设备
cap = cv2.VideoCapture(0)

# 启动视频流的显示循环
show_frame()

# 运行Tkinter事件循环
root.mainloop()

# 关闭摄像头资源
cap.release()

运行后就开始人脸识别,这样就完成啦!

注意,代码中的所有的路径都应该改成自己的路径!其中的像素可以修改,但是要注意训练脚本要和识别脚本的像素一致,否则会报错!

如果有什么问题欢迎在评论区提问,也可以发个人邮箱:[email protected]

标签:急救站,人脸识别,reference,Python,image,cv2,face,import,path
From: https://www.cnblogs.com/python120/p/18162859

相关文章

  • 攻防世界-难度1- bad_python
    the.pycisbroken,canyouhelpmerecover?攻防世界难度1-bad_pythonpython头部观察文件名pyre.cpython-36.pyc,说明是在python3.6环境下编译的,那么需要恢复正常pyc3.6对应的首部16字节。uncompyle6pip3installuncompyle6uncompyle6--versionuncompyle6pyre.cpython......
  • python题
    【Python0002】排列组合序列【题目描述】用户输入整数n(1<=n<=26)和整数m(m<=n),然后输入n个不同的字母,请编写程序输出在这n个字母中选择m个字母的所有排列序列和组合序列。【源代码程序】importitertools defgenerate_permutations_combinations(letters,m):    #生成......
  • python下载和扩展文件下载
    (三)、练习安装Python扩展库【实验截图】1、在资源管理器中进入Python安装目录的scripts子目录,然后按下Shift键,在空白处单击鼠标右键,在弹出来的菜单中选择“在此处打开命令窗口”进入命令提示符环境   2.使用pip命令在线安装Python扩展库numpy、pandas、scipy......
  • blender python api 将指定的顶点组(water)转换为颜色属性water_colors
    1.选中物体,进入权重绘制模式2.代码:importbpy#获取当前活动的物体obj=bpy.context.object#确保物体是网格类型ifobj.type!='MESH':print("当前激活的对象不是网格类型。")#exit()#使用exit()来提前退出脚本#获取名为“water”的顶点组vertex_gro......
  • blender python api 获取所有顶点组并将各自的顶点组转换为对应的颜色属性
    1.选中物体,进入权重绘制模式2.代码importbpy#获取当前活动的物体obj=bpy.context.object#确保物体是网格类型ifobj.type!='MESH':print("当前激活的对象不是网格类型。")#exit()#遍历所有顶点组forvg_nameinobj.vertex_groups.keys():#获......
  • python 如何动态加载lib中的函数
    classTestInstance:def__init__(self):#初始化库字典,存放找到的库self.lib=Proxy()#使用一个代理对象来模拟层级结构classProxy:def__init__(self):self._libObjectDictCache={}def_getLibInstance(self,l......
  • python虚拟环境
    主要是解决自己的一些疑问:1、python的虚拟环境其实就是对我们真实安装python的另一份。2、当我们在pip时,我们经常只会安装一个包,但是却经常要安装依赖包,再删除时却只会删除我们安装的那个包,其它依赖包留了下来,这样就不好对包进行管理,下次我们安装相同包的不同版本时,就会出现目标......
  • python库使用总结
    python库的使用1:print(补充)2:math2.1:math库包括的4个数学常数2.2math库中的函数幂对数函数三角曲线函数3:字符串处理函数补充:sorted(str)对字符串中的元素进行排序,返回排序后的列表,而不是字符串​ reversed(str)对字符串中的元素反向输出3.1字符串......
  • python学习思维导图分享
    python本文包含了我的一些python学习的笔记和思维导图第一部分:python基础导图下载链接第二部分:函数及其他文件操作导图下载链接第三部分:类及网络编程导图下载链接第四部分:mysql导图下载链接......
  • 深入理解Python协程:从基础到实战
    title:深入理解Python协程:从基础到实战date:2024/4/2716:48:43updated:2024/4/2716:48:43categories:后端开发tags:协程异步IO并发编程Pythonaiohttpasyncio网络爬虫第1章:协程基础1.1协程概念介绍协程(Coroutines)是一种特殊的软件构造,它允许程序在执......