[Python急救站]人脸识别技术练习

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]