首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >10行代码实现python人脸识别

10行代码实现python人脸识别

作者头像
星星在线
发布2020-05-22 15:06:36
4.7K1
发布2020-05-22 15:06:36
举报

什么是人脸识别

人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部识别的一系列相关技术,通常也叫做人像识别、面部识别。

目前的人脸识别技术已经非常成熟了,还发展成3D人脸识别。而且现在各大厂商也都提供了人脸识别的API接口供我们调用,可以说几行代码就可以完成人脸识别。但是人脸识别的根本还是基于图像处理。在Python中最强大的图像处理库就是OpenCV。

OpenCV简介

OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、Android和Mac OS操作系统上。OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。

OpenCV基本使用

安装

pip install opencv-python  # 基础库
pip install opencv-contrib-python  # 扩展库
pip install opencv-python-headless

读取图片

读取和显示图片是最基本的操作了,OpenCV当中使用imread和imshow实现该操作

import cv2 as cv

# 读取图片,路径不能含有中文名,否则图片读取不出来
image = cv.imread('1111.jpg')

# 显示图片
cv.imshow('image', image)

# 等待键盘输入,单位是毫秒,0表示无限等待
cv.waitKey(0)

# 因为最终调用的是C++对象,所以使用完要释放内存
cv.destroyAllWindows()

将图片转为灰度图

OpenCV中数百中关于不同色彩控件之间转换的方法。目前最常用的有三种:灰度、BGR、HSV。

  • 灰度色彩空间是通过去除彩色信息来讲图片转换成灰阶,灰度图会大量减少图像处理中的色彩处理,对人脸识别很有效。
  • BGR每个像素都由一个三元数组来表示,分别代码蓝、绿、红三种颜色。python中还有一个库PIL,读取的图片通道是RGB,其实是一样的,只是颜色顺序不一样
  • HSV,H是色调,S是饱和度,V是黑暗的程度 将图片转换为灰度图
import cv2 as cv

# 读取图片,路径不能含有中文名,否则图片读取不出来
image = cv.imread('1111.jpg')

# cv2读取图片的通道是BGR,
# PIL读取图片的通道是RGB
# code选择COLOR_BGR2GRAY,就是BGR to GRAY
gray_image = cv.cvtColor(image, code=cv.COLOR_BGR2GRAY)

# 显示图片
cv.imshow('image', gray_image)

# 等待键盘输入,单位是毫秒,0表示无限等待
cv.waitKey(0)

# 因为最终调用的是C++对象,所以使用完要释放内存
cv.destroyAllWindows()

绘制矩形

image = cv.imread('1111.jpg')

x, y, w, h = 50, 50, 80, 80

# 绘制矩形
cv.rectangle(image, (x, y, x+w, y+h), color=(0, 255, 0), thickness=2)

# 绘制圆形
cv.circle(image, center=(x + w//2, y + h//2), radius=w//2, color=(0, 0, 255), thickness=2)

cv.imshow('image', image)
cv.waitKey(0)
cv.destroyAllWindows()

人脸检测

人脸检测实际上是对图像提取特征,Haar特征是一种用于实现实时人脸跟踪的特征。每个Haar特征都描述了相邻图像区域的对比模式。比如边、定点和细线都能生成具有判别性的特征。 OpenCV给我们提供了Haar特征数据,在cv2/data目录下,使用特征数据的方法def detectMultiScale(self, image, scaleFactor=None, minNeighbors=None, flags=None, minSize=None, maxSize=None)

  • scaleFactor: 指定每个图像比例缩小多少图像
  • minNeighbors: 指定每个候选矩形必须保留多少个邻居,值越大说明精度要求越高
  • minSize:检测到的最小矩形大小
  • maxSize: 检测到的最大矩形大小

检测图片中人脸

import os
import cv2 as cv

def face_detect_demo(image):
    # 将图片转换为灰度图
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

    # 加载特征数据
    face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml'))
    faces = face_detector.detectMultiScale(gray)
    for x, y, w, h in faces:
        cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)

# 读取图片,路径不能含有中文名,否则图片读取不出来
image = cv.imread('2222.jpg')

face_detect_demo(image)

# 显示图片
cv.imshow('image', image)

# 等待键盘输入,单位是毫秒,0表示无限等待
cv.waitKey(0)

# 因为最终调用的是C++对象,所以使用完要释放内存
cv.destroyAllWindows()

采用默认参数,检测人脸数据不全,需要调整detectMultiScale函数的参数,调整为faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3)

我们发现除了检测到人脸数据,还有一些其他的脏数据,这个时候可以打印检测出的人脸数据位置和大小

faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3)
for x, y, w, h in faces:
    print(x, y, w, h) # 打印每一个检测到的数据位置和大小
    cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)

从大小中我们看到最大的两个矩形,刚好是人脸数据,其余都是脏数据,那么继续修改函数参数faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3, minSize=(80, 80))

检测视频中人脸

视频就是一张一张的图片组成的,在视频的帧上面重复这个过程就能完成视频中的人脸检测了。视频读取OpenCV为我们提供了函数VideoCapture,参数可以是视频文件或者0(表示调用摄像头)

import cv2 as cv

# 人脸检测
def face_detect_demo(image):
    try:
        # 将图片转换为灰度图
        gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

        # 加载特征数据
        face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml'))
        faces = face_detector.detectMultiScale(gray)
        for x, y, w, h in faces:
            print(x, y, w, h)
            cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)
    except Exception as e:
        pass

cap = cv.VideoCapture('人脸识别.mp4')
while cap.isOpened():
    flag, frame = cap.read()

    face_detect_demo(frame)
    cv.imshow('result', frame)
    if ord('q') == cv.waitKey(5):
        break

cap.realse()
cv.destroyAllWindows()

这个我们是做的人脸识别,怎么把爱好都识别了,这么先进吗?很显然这不太符合我们的要求,爱好只能藏在心里,你给我检测出来就不行了。所以我们必须要进行优化处理。OpenCV为我们提供了一个机器学习的小模块,我们可以训练它,让它只识别我们需要的部分,不要乱猜测。

训练数据

训练数据就是我们把一些图片交给训练模型,让模型熟悉她,这样它就能更加准确的识别相同的图片。训练的数据一般我们可以从网上搜索:人脸识别数据库,或者从视频中保存美帧的数据作为训练集。所有的人脸识别算法在他们的train()函数中都有两个参数:图像数组和标签数组。这些标签标示进行识别时候的人脸ID,根据ID可以知道被识别的人是谁。

获取训练集

从视频中每隔5帧截取一个图片,保存成图片

import cv2

cap = cv2.VideoCapture('人脸识别.mp4')

number = 100
count = 1
while cap.isOpened() and number > 0:
    flag, frame = cap.read()
    if not flag:
        break

    if count % 5 == 0:
        # 按照视频图像中人脸的大体位置进行裁剪,只取人脸部分
        img = frame[70:280, 520:730]
        cv2.imwrite('data/{}.png'.format(number), img)
        number -= 1
    count += 1

cap.release()
cv2.destroyAllWindows()

使用LBPH训练模型

def getImageAndLabels(path_list):
    faces = []
    ids = []
    image_paths = [os.path.join(path_list, f) for f in os.listdir(path_list) if f.endswith('.png')]
    face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml'))
    for image in image_paths:
        img = cv.imread(image)
        gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
        faces = face_detector.detectMultiScale(gray)
        _id = int(os.path.split(image)[1].split('.')[0])
        for x, y, w, h in faces:
            faces.append(gray[y:y+h, x:x+w])
            ids.append(_id)
    return faces, ids

faces, ids = getImageAndLabels('data')

# 训练
recognizer = cv.face.LBPHFaceRecognizer_create()
recognizer.train(faces, np.array(ids))

# 保存训练特征
recognizer.write('trains/trains.yml')

基于LBPH的人脸识别

LBPH将检测到的人脸分为小单元,并将其与模型中的对应单元进行比较,对每个区域的匹配值产生一个直方图。调整后的区域中调用predict函数,该函数返回两个元素的数组,第一个元素是所识别的个体标签,第二个元素是置信度评分。所有的算法都有一个置信度评分阈值,置信度评分用来衡量图像与模型中的差距,0表示完全匹配。LBPH有一个好的识别参考值要低于50。 基本步骤为:

  • cv.VideoCapture读取视频
  • Haar算法检测人脸数据
  • 基于LBPH训练集得到准确人脸数据,并输出标记此人是谁
  • 按置信度取准确度高的人脸标记出来
import os
import cv2 as cv

def face_detect_demo(image):
    try:
        global number
        # 将图片转换为灰度图
        gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

        # 加载特征数据
        faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3)
        for x, y, w, h in faces:
            # 获取置信度,大于80表示取值错误
            _id, confidence = recognizer.predict(gray[y:y + h, x:x + w])
            if confidence < 80:
                cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)
    except Exception as e:
        pass


def check_face():
    cap = cv.VideoCapture('人脸识别.mp4')
    while cap.isOpened():
        flag, frame = cap.read()
        if not flag:
            break
        face_detect_demo(frame)
        cv.imshow('img', frame)
        cv.waitKey(2)

    cv.destroyAllWindows()

if __name__ == '__main__':
    # 加载训练数据文件
    recognizer = cv.face.LBPHFaceRecognizer_create()
    recognizer.read('trains/trains.yml')

    face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml'))
    check_face()

总结

通过上面一步步的学习,你是不是对OpenCV人脸识别有个基本的认识了呢?但是我们也看到了,整个人脸识别的主要算法还是基于Haar,而且准确度并不是特别高,主要是会检测出很多非人脸的数据。LBPH是让我们给某个人脸进行标记,告诉我们他是谁,并没有提高实际的检测准确度。现在机器学习是非常火爆的,基于OpenCV的机器学习人脸识别也精确度也很高,下次我们在来对比几种机器学习人脸识别的库。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2020-04-01,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 python爬虫实战之路 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 什么是人脸识别
  • OpenCV简介
  • OpenCV基本使用
    • 安装
      • 读取图片
        • 将图片转为灰度图
          • 绘制矩形
          • 人脸检测
            • 检测图片中人脸
              • 检测视频中人脸
              • 训练数据
                • 获取训练集
                  • 基于LBPH的人脸识别
                  • 总结
                  相关产品与服务
                  人脸识别
                  腾讯云神图·人脸识别(Face Recognition)基于腾讯优图强大的面部分析技术,提供包括人脸检测与分析、比对、搜索、验证、五官定位、活体检测等多种功能,为开发者和企业提供高性能高可用的人脸识别服务。 可应用于在线娱乐、在线身份认证等多种应用场景,充分满足各行业客户的人脸属性识别及用户身份确认等需求。
                  领券
                  问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档