前文提到了OpenCV自带的人脸分类器，虽然准确度一般，但是含着泪也要把工作做完，巧了，OpenCV还提供了三种人脸识别算法（Eigenfaces、Fisherfaces、LBPH），这几种算法各有各的特点，识别率也一般。
OpenCV有三种人脸识别的算法：
Eigenfaces 他是通过PCA来处理的。PCA是计算机视觉中用的较多的数学概念。它的本质是，识别某个训练集上的主成分，并计算出检测到人脸相对于数据库的发散程度，并输出一个值，该值越小，表明人脸数据库和检测到的人脸之间的差别就越小，0表示完全匹配。低于4000-5000的值相对可靠
Fisherfaces 它是从PCA衍生发展起来的，逻辑更复杂，计算更密集，但是比Eigenfaces更容易得到准确的效果。
LBPH(Local Binary Pattern Histogram) 在非常搞的层次上，将检测到的人脸分成小单元，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，由于这种方法的灵活性，它是唯一运行模型样本人脸和检测到的人脸在形状、大小上可以不同的人脸识别算法。置信分在50以内的相对来说比较可靠
model = cv2.face.EigenFaceRecognizer_create()
创建识别模型，使用EigenFace算法识别，Confidence评分低于4000是可靠
model = cv2.face.LBPHFaceRecognizer_create()
创建识别模型，使用LBPHFace算法识别，Confidence评分低于50是可靠
model = cv2.face.FisherFaceRecognizer_create()
创建识别模型，使用FisherFace算法识别，Confidence评分低于4000是可靠
新建一个预测文件夹，从训练图片中随机选了两种，从网上找了一张刘德华的照片，试一下识别效果如何。
获取训练集的函数与前文一致
在主函数中增加了一段训练的过程和预测的过程。
代码语言：javascript复制import cv2
import numpy as np
import os
import shutil
# OpenCV有三种人脸识别的算法：
# Eigenfaces 他是通过PCA来处理的。PCA是计算机视觉中用的较多的数学概念。它的本质是，识别某个训练集上的主成分，并计算出检测到人脸相对于数据库的发散程度，并输出一个值，该值越小，表明人脸数据库和检测到的人脸之间的差别就越小，0表示完全匹配。低于4000-5000的值相对可靠
# Fisherfaces 它是从PCA衍生发展起来的，逻辑更复杂，计算更密集，但是比Eigenfaces更容易得到准确的效果。
# LBPH(Local Binary Pattern Histogram) 在非常搞的层次上，将检测到的人脸分成小单元，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，由于这种方法的灵活性，它是唯一运行模型样本人脸和检测到的人脸在形状、大小上可以不同的人脸识别算法。置信分在50以内的相对来说比较可靠
# model = cv2.face.EigenFaceRecognizer_create()
# 创建识别模型，使用EigenFace算法识别，Confidence评分低于4000是可靠
# model = cv2.face.LBPHFaceRecognizer_create()
# 创建识别模型，使用LBPHFace算法识别，Confidence评分低于50是可靠
# model = cv2.face.FisherFaceRecognizer_create()
# 创建识别模型，使用FisherFace算法识别，Confidence评分低于4000是可靠
# OpenCV 通过函数 cv2.face.EigenFaceRecognizer_create()生成特征脸识别器实例模型，
# 然后应用 cv2.face_FaceRecognizer.train()函数完成训练，
# 最后用cv2.face_FaceRecognizer.predict()函数完成人脸识别。
# 1. 函数cv2.face.EigenFaceRecognizer_create()
# retval = cv2.face.EigenFaceRecognizer_create( [, num_components[, threshold]] )
# 其中：
# num_components：在 PCA 中要保留的分量个数。（一般来说， 80 个分量就足够了。）
# threshold：进行人脸识别时所采用的阈值。
# 2. 函数cv2.face_FaceRecognizer.train()
# 函数 cv2.face_FaceRecognizer.train()对每个参考图像进行 EigenFaces 计算，得到一个向量。每个人脸都是整个向量集中的一个点。
# None = cv2.face_FaceRecognizer.train( src, labels )
# 其中：
# src：训练图像，用来学习的人脸图像。
# labels：人脸图像所对应的标签。
# 该函数没有返回值。
# 3. 函数cv2.face_FaceRecognizer.predict()
# 函数 cv2.face_FaceRecognizer.predict()在对一个待测人脸图像进行判断时，会寻找与当前图像距离最近的人脸图像。
# 与哪个人脸图像最接近，就将待测图像识别为其对应的标签。
# label, confidence = cv2.face_FaceRecognizer.predict( src )
# 其中：
# src：需要识别的人脸图像。
# label：返回的识别结果标签。
# confidence：返回的置信度评分。置信度评分用来衡量识别结果与原有模型之间的距离。
# 0 表示完全匹配。该参数值通常在 0 到 20 000 之间， 只要低于 5000， 都被认为是相当可靠的识别结果。
# 注意，这个范围与 LBPH 的置信度评分值的范围是不同的。
# 下载官方的ORL人脸数据库
# 载入图像，读取ORL人脸数据库，准备训练数据
def loadimageface(data):
# 加载图片数据用于训练
# params:data:训练数据所在的目录，要求图片尺寸一样
#ret:
# images:[m,height,width] m为样本数，height为高，width为宽
# names：名字的集合
# labels：标签
images = []
names = []
labels = []
face_casecade = cv2.CascadeClassifier('C:\Python\Python37\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml')
# haarcascade_frontalface_alt_tree 21
# [ 3 9 13 13 13 13 15 17 24 31 33 34 34 34 35 35 36 37 37 37 37]
# haarcascade_frontalface_alt 222
# [ 0 0 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 3 3 3 3 3
# 3 3 3 3 3 4 4 4 4 4 5 5 5 5 5 6 6 6 6 6 7 7 7 7
# 8 8 9 9 9 9 9 9 9 9 9 9 10 10 10 12 12 12 12 12 12 12 12 12
# 13 13 13 13 13 13 13 13 13 13 14 15 15 15 15 15 15 16 16 16 16 16 17 17
# 17 17 18 18 18 18 18 18 19 20 20 21 21 21 21 21 21 21 21 22 22 22 22 22
# 22 23 23 23 23 23 23 23 23 24 24 24 24 24 25 25 26 26 26 26 26 26 26 26
# 29 29 29 29 29 30 30 30 30 30 31 31 31 31 31 31 31 31 31 31 32 32 32 33
# 33 33 33 33 34 34 34 34 34 34 34 35 35 35 35 35 36 36 36 36 36 36 36 36
# 36 37 37 37 37 37 37 37 37 37 37 38 38 38 38 38 38 38 38 38 39 39 39 39
# 39 39 39 39 39]
# haarcascade_frontalface_alt2 231
# [ 0 0 0 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 3
# 3 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 6 6 7 7 7 7 7
# 7 8 8 9 9 9 9 9 9 9 9 9 9 10 10 10 12 12 12 12 12 12 12 12
# 12 13 13 13 13 13 13 13 13 13 13 15 15 15 15 15 15 15 15 15 16 16 16 16
# 16 16 16 16 17 17 17 17 17 18 18 18 18 18 19 19 19 20 20 21 21 21 21 21
# 21 21 21 22 22 22 22 22 22 22 23 23 23 23 23 23 23 23 23 24 24 24 24 24
# 25 25 26 26 26 26 26 28 29 29 29 29 29 30 30 30 30 31 31 31 31 31 31 31
# 31 31 31 32 32 32 32 32 32 33 33 33 33 33 34 34 34 34 34 34 34 35 35 35
# 35 35 36 36 36 36 36 36 36 36 36 37 37 37 37 37 37 37 37 37 37 38 38 38
# 38 38 38 38 38 39 39 39 39 39 39 39 39 39]
# haarcascade_frontalface_default 264
# [ 0 0 0 0 0 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3
# 3 3 3 3 3 3 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 6 6
# 6 6 6 6 6 7 7 7 7 7 7 7 8 8 9 9 9 9 9 9 9 9 9 9
# 10 10 10 10 10 12 12 12 12 12 12 12 12 12 12 13 13 13 13 13 13 13 13 13
# 13 14 14 14 14 14 14 14 15 15 15 15 15 15 16 16 16 16 16 16 16 16 16 17
# 17 17 17 17 18 18 18 18 18 19 19 19 19 19 19 19 19 19 19 20 20 20 20 20
# 20 21 21 21 21 21 21 22 22 22 22 23 23 23 23 23 23 23 24 24 24 24 24 25
# 25 25 25 26 26 26 26 26 26 26 26 26 29 29 29 29 29 29 29 30 30 30 30 30
# 30 30 31 31 31 31 31 31 31 31 31 32 32 32 32 33 33 33 33 33 33 33 33 34
# 34 34 34 34 34 34 35 35 35 35 35 36 36 36 36 36 36 36 36 36 37 37 37 37
# 37 37 37 37 37 37 38 38 38 38 38 38 38 38 38 39 39 39 39 39 39 39 39]
label = 0
# 遍历当前文件夹
for subdir in os.listdir(data):
print('processing ',subdir)
# 构造路径全链路
subpath = os.path.join(data, subdir)
# 如果是否文件夹
if os.path.isdir(subpath):
# 每个文件夹代表一个人，也就是构造人的姓名
names.append(subdir)
# 遍历文件夹中的图片文件
for filename in os.listdir(subpath):
imgpath = os.path.join(subpath, filename)
# 读取图片，并转换为灰度图片
# 灰度图片用于进行训练
# 构造图片和标签关系
img = cv2.imread(imgpath, cv2.IMREAD_COLOR)
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_casecade.detectMultiScale(gray_img, 1.3, 5)
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x w, y h), (255, 0, 0), 2)
if (len(faces) > 0):
(x, y, w, h) = faces[0]
# 只返回图像的正面部分
images.append(gray_img[y:y w, x:x h])
labels.append(label)
cv2.imshow('img', img)
label = 1
# 将图片转换为易于操作的ndarray形式
images = np.asarray(images)
# 将标签转为numpy格式
labels = np.asarray(labels)
return images, labels, names
dif __name__ == '__main__':
trainimage = 'C:\Python\Pycharm\docxprocess\picture\ORL\'
predictdata='C:\Python\Pycharm\docxprocess\picture\predict\'
face_cascade = cv2.CascadeClassifier('C:\Python\Python37\Lib\site-packages\cv2\data\haarcascade_frontalface_alt2.xml')
X, y, names = loadimageface(trainimage)
model = cv2.face.LBPHFaceRecognizer_create()
model.train(X, y)
for filename in os.listdir(predictdata):
imgpath = os.path.join(predictdata, filename)
if os.path.isfile(imgpath):pass
img = cv2.imread(imgpath)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x w, y h), (255, 0, 0), 2)
roi_gray = gray[y:y h, x:x w]
roi_color = img[y:y h, x:x w]
roi_gray = cv2.resize(roi_gray, (92, 112), interpolation=cv2.INTER_LINEAR)
params = model.predict(roi_gray)
print('Label:%s,confidence:%.2f' % (params[0], params[1]))
print('人员姓名：',names[params[0]])
cv2.putText(img, names[params[0]], (x, y - 20), cv2.FONT_HERSHEY_SIMPLEX, 1, 255, 2)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()识别结果如下，前两张随机挑选的照片置信度在65-69之间，识别输出是准确无误的，但刘德华这张照片就有点无厘头了。
代码语言：javascript复制# Label:3,confidence:65.66
# 识别照片： s12
# Label:23,confidence:68.60
# 识别照片： s30
# Label:26,confidence:114.96
# 识别照片： s33
