首页 > 其他分享 >【机器学习】OpenCV人脸识别

【机器学习】OpenCV人脸识别

时间:2023-12-18 10:47:13浏览次数:30  
标签:gray 人脸识别 机器 image cv2 face OpenCV 人脸 frame

OpenCv 基础函数

# 读取图片
image = cv2.imread("test01.jpg")

# 转灰度
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 修改尺寸
resize_image = cv2.resize(image,(300,400))

# 绘制矩形
cv2.rectangle(image, (x , y),(x + width, y + height),(0,255,0),2)

# 显示图片
cv2.imshow("title",image)

# 关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

识别流程

依赖库

import cv2
import os
from PIL import Image
import numpy as np

录入脸部特征信息

# 选择分类器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 使用默认摄像头,参数为0
video_capture = cv2.VideoCapture(0) 

# 输入人脸录入者的姓名
person_name = input("请输入人脸录入者的姓名: ")  

# 初始化样本计数器
sample_count = 0  

while True:
    # 读取帧数
    ret, frame = video_capture.read()
    # 转灰度
    gray_image = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    # 提取特征
    faces = face_cascade.detectMultiScale(gray_image, 1.1, 5)

    for (x, y, w, h) in faces:
        # 绘制矩形
        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
        
        # 将人脸样本保存到本地文件
        sample_count += 1
        # 提取人脸ROI
        face_roi = gray_image[y:y + h, x:x + w]  
        # 创建储存样本的文件夹
        person_fodler = f'./face_roi/{person_name}/'
        if not os.path.exists(person_fodler):
            os.mkdir(person_fodler)
            
        # 样本图片命名
        sample_path = person_fodler + f'{person_name}_{sample_count}.jpg'
        # 储存到文件夹
        cv2.imwrite(sample_path, face_roi)
        print(f"保存样本: {sample_path}")

    cv2.imshow("Video", frame)

    # 记录数据特征样本数量  10张测试
    if cv2.waitKey(1) & 0xFF == ord('q') or sample_count >= 10:
        break

video_capture.release()
cv2.destroyAllWindows()

分类器训练数据

# 提取样本的 人脸数据集和标签
def get_ImgaesLabels(path):
    facesSamplies = []       # 储存人脸数据
    ids = []                 # 储存标签数据
    imagesPath = [os.path.join(path,f) for f in os.listdir(path)] # 储存每个图片的相对路径
    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')     # 加载人脸分类器
    
    # 遍历列表中的图片
    for Path in imagesPath:
        pil_image = Image.open(Path).convert('L')  # 转成灰度
        gray_np_image = np.array(pil_image)        # 灰度特征数组
        # 获取人脸特征
        faces = face_cascade.detectMultiScale(gray_np_image,1.1,5)
        id = int(Path.split('_')[-1].split('.')[0])  # 获取到每张图片的ID
        for x,y,w,h in faces:
            ids.append(id)  # 添加ID
            facesSamplies.append(gray_np_image[y:y+h,x:x+w]) # 添加ROI特征
    return facesSamplies,ids


person_fodler = './face_roi/Wh/'
# 加载人脸数据集和标签
faces, ids = get_ImgaesLabels(person_fodler)
# 创建LBPH人脸识别器
recognizer = cv2.face.LBPHFaceRecognizer_create()
# 训练人脸识别器
recognizer.train(faces, np.array(ids))
# 保存训练好的模型
recognizer.save("face_recognizer_model.yml")

识别人脸

# 加载已经训练好的LBPH人脸识别器模型
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read("face_recognizer_model.yml")

# 加载人脸级联分类器(用于检测人脸)
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml")

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    # 读取每帧
    bool,frame = cap.read()

    # 灰度
    gray_image = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)

    # 通过分类器加载人脸的特征
    faces = face_cascade.detectMultiScale(gray_image,1.1,5)

    for (x,y,w,h) in faces:
        # 绘制人脸矩形框
        cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)
        
         # 根据识别器识别人脸 confidence为预测值(0~100)
        label, confidence = recognizer.predict(gray_image[y:y+h, x:x+w])

        # 获取识别结果并显示
        if confidence < 100:
            text = "WH"
        else:
            text = "Unknown"
            
		# 加入文本
        cv2.putText(frame, text, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

    # 显示结果帧
    cv2.imshow("Face Recognition", frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break


# 释放摄像头并关闭窗口
cap.release()
cv2.destroyAllWindows()

完整流程

录入人脸特征(储存训练后的数据)

import cv2
import numpy as np


# 输入人脸信息
person_name = input("请输入姓名:")

# 加载人脸级联分类器(用于检测人脸)
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml")

# 打开摄像头
cap = cv2.VideoCapture(0)

# 创建LBPH人脸识别器
recognizer = cv2.face.LBPHFaceRecognizer_create()

# 判断是否存在特征信息,有的话就加载特征
yml_name = f"face_{ person_name }_model.yml"
try:
    recognizer.read(yml_name)
except:
    pass

# 初始化人脸数据和标签
faces = []
lable_ids = []
count = 0

while True:
    count = count + 1
    # 读取摄像头帧
    ret, frame = cap.read()
    # 将彩色帧转换为灰度图像
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    # 检测人脸
    faces_rect = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5,)

    for (x, y, w, h) in faces_rect:
        # 绘制人脸矩形框
        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

        # 将人脸数据和标签添加到列表中
        faces.append(gray[y:y+h, x:x+w])
        lable_ids.append(count)

    # 显示结果帧
    cv2.imshow("Face Capture", frame)

    # 按下'q'键退出循环
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 训练人脸识别器
recognizer.train(faces, np.array(lable_ids))
print("yml_name",yml_name)
# 保存训练好的模型
recognizer.save(yml_name)

# 释放摄像头并关闭窗口
cap.release()
cv2.destroyAllWindows()

识别人脸

# 加载已经训练好的LBPH人脸识别器模型
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read("face_xxxxx_model.yml")

# 加载人脸级联分类器(用于检测人脸)
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml")

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    
    bool,frame = cap.read()

    # 灰度
    gray_image = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)

    # 通过分类器加载人脸的特征
    faces = face_cascade.detectMultiScale(gray_image,1.1,5)

    for (x,y,w,h) in faces:
        # 绘制人脸矩形框
        cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)
        
         # 根据识别器识别人脸    confidence:预测结果的可信度(0~100)
        label, confidence = recognizer.predict(gray_image[y:y+h, x:x+w])
        print("预测值=> ",confidence)
        
        # 获取识别结果并显示
        if confidence < 100:
            text = "WH"
        else:
            text = "Unknown"
            
        # 写入文本
        cv2.putText(frame, text, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

    # 显示结果帧
    cv2.imshow("Face Recognition", frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break



# 释放摄像头并关闭窗口
cap.release()
cv2.destroyAllWindows()

标签:gray,人脸识别,机器,image,cv2,face,OpenCV,人脸,frame
From: https://www.cnblogs.com/wanghong1994/p/17910492.html

相关文章

  • 神经网络优化篇:机器学习基础(Basic Recipe for Machine Learning)
    机器学习基础下图就是在训练神经网络用到的基本方法:(尝试这些方法,可能有用,可能没用)这是在训练神经网络时用到地基本方法,初始模型训练完成后,首先要知道算法的偏差高不高,如果偏差较高,试着评估训练集或训练数据的性能。如果偏差的确很高,甚至无法拟合训练集,那么要做的就是选择一个新......
  • C++调用opencv使用透明遮罩进行模板匹配定位——以梦幻西游鼠标为例
    目录程序简介程序/数据集下载代码分析程序简介项目调用C++的opencv模块进行模板匹配,即在一张源图上找到对应模板图最相似的位置,网上大多数使用matchTemplate方法并没有使用到mask遮罩(也可以叫掩膜),而在现实情况中不规则的模板更为常见,而模板加遮罩则可以实现不规则模板,本文以梦......
  • 机器学习项目精选 第一期:超完整数据科学资料合集
    大噶吼,不说废话,分享一波我最近看过并觉得非常硬核的资源,包括Python、机器学习、深度学习、大模型等等。1、超完整数据科学资料合集地址:https://github.com/krishnaik06/The-Grand-Complete-Data-Science-MaterialsPython数据分析和数据科学完整播放列表数据分析和数据科学的......
  • ml.net例子笔记3-Infer.net概率机器学习库
    Infer.netInfer.NETisa.NETFoundationproject.It'salsoapartofML.NETmachinelearningframework.https://dotnet.github.io/infer/https://gitee.com/mirrors_dotnet/inferInfer.NET是一个在图形模型中运行贝叶斯推理的框架,它也可以用于概率编程。可以使用Infe......
  • 中科院研究生院机器学习课程习题
    一、 中科院-正则化logistic回归模型我们对图1a所示的数据采用简化的线性logistic回归模型进行两分类,即(1) 考虑一个正则化的方法,即最大化注意只有w2被惩罚。则当C很大时,如图1(b)所示的4个决策边界中,哪条线可能是有该正则方法得到的?L2、L3和L4 可以通过正则w2得到吗?(1)答案:L2不可以......
  • 机器学习中的算法——K最邻近算法(KNN)
    1.KNN算法的定位KNN算法属于分类算法,所以它是有监督学习里面的一部分,且属于有监督学习里的分类问题KNN的计算量很大KNN理论上比较成熟且算法简单易懂,易实现2.KNN算法的核心简单地说---“近朱者赤,近墨者黑”进行分类的时候,即将被分类的这个样本的附近(特征空间中最邻近......
  • 大华摄像头应用opencvsharp进行实时监控、监控录像保存和播放
    1.配置大华摄像机参数 检查RTSP端口号 修改分辨率,在这里我们主要设置【辅码流】大华RTSP协议解释访问主码流rtsp://admin:[email protected]:554/cam/realmonitor?channel=1&subtype=0访问辅码流rtsp://admin:[email protected]:554/cam/realmonitor?cha......
  • 机器学习-线性回归-softmax回归 做多分类-10
    1.softmax回归伯努利分布(0-1分布二分类),我们采用Logistic回归(用sigmoid函数映射到0-1之间输出预测概率)建模。那么我们应该如何处理多分类问题?(比如要进行邮件分类;预测病情属于哪一类等等)。对于这种多项式分布我们使用softmax回归建模。什么是多项分布?多项式分布的目标值yε{......
  • R语言中的机器学习
    MachineLearning&StatisticalLearning(机器学习&统计学习)网址:http://cran.r-project.org/web/views/MachineLearning.html维护人员:TorstenHothorn版本:2008-02-1818:19:21翻译:R-fox,2008-03-18机器学习是计算机科学和统计学的边缘交叉领域,R关于机器学习的包主要包括以下几......
  • 机器学习的方法主要可以分为以下几类¹²³: 1. **监督学习**:在监督学习中,我们有一个
    机器学习的方法主要可以分为以下几类¹²³:1.**监督学习**:在监督学习中,我们有一个标记的数据集,我们的目标是训练一个模型,使其能够预测新数据的标签。常见的监督学习算法包括:  -线性回归  -逻辑回归  -支持向量机(SVM)  -最近邻居(KNN)  -决策树......