建设网站分几个步骤,对网站建设有什么样意见,python开发手机网站开发,网站建设制作免费推广提示#xff1a;文章写完后#xff0c;目录可以自动生成#xff0c;如何生成可参考右边的帮助文档 文章目录前言ssd opencv Eigenfaces 和 LBPH算法进行人脸监测和识别1. ssd 目标监测2.opencv的三种人脸识别方法2.1 Eigenfaces2.2 LBPH前言
ssd opencv Eigenfaces 和 LB… 提示文章写完后目录可以自动生成如何生成可参考右边的帮助文档 文章目录前言ssd opencv Eigenfaces 和 LBPH算法进行人脸监测和识别1. ssd 目标监测2.opencv的三种人脸识别方法2.1 Eigenfaces2.2 LBPH前言
ssd opencv Eigenfaces 和 LBPH算法进行人脸监测和识别
1. ssd 目标监测
其实不一定使用ssdfasterRcnn yolov 都可以~ 所以假设我们已经实现了这个监测模型。那么我们直接进入识别环境。
2.opencv的三种人脸识别方法
OpenCV提供了三种人脸识别的方法分别是LBPH方法、EigenFishfaces方法、Fisherfaces方法。
2.1 Eigenfaces
EigenFaces就是对原始数据使用PCA方法进行降维获取其中的主成分信息从而实现人脸识别的方法。opencv已经帮我们打包好了。 具体使用步骤 1.cv2.face.EigenFaceRecognizer_create()生成EigenFaces特征脸识别器实例模型 2.应用函数cv2.face_FaceRecognizer.train()完成训练 3.cv2.face_FaceRecognizer.predict()完成人脸识别。 在使用EigenFaces模块完成人脸识别时其流程如图1所示。
2.2 LBPH
LBPH(Local Binary PatternsHistograms)局部二进制编码直方图建立在LBPH基础之上的人脸识别法基本思想如下首先以每个像素为中心判断与周围像素灰度值大小关系对其进行二进制编码从而获得整幅图像的LBP编码图像再将LBP图像分为个区域获取每个区域的LBP编码直方图继而得到整幅图像的LBP编码直方图通过比较不同人脸图像LBP编码直方图达到人脸识别的目的,其优点是不会受到光照、缩放、旋转和平移的影响。 由于这种方法的灵活性 LBPH是唯一允许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。 人脸录入
import cv2cap cv2.VideoCapture(0)
face_detector cv2.CascadeClassifier(D:/opencv\sources/data/haarcascades/haarcascade_frontalface_default.xml)
face_id input(User data input,Look at the camera and wait ...)
count 0while cap.isOpened():ret, frame cap.read()if ret is True:gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)else:breakfaces face_detector.detectMultiScale(gray, 1.3, 5)for (x, y, w, h) in faces:cv2.rectangle(frame, (x, y), (x w, y w), (255, 0, 0))count 1cv2.imwrite(D:/opencv_test/ str(face_id) . str(count) .jpg, gray[y:y h, x:x w])cv2.imshow(image, frame)k cv2.waitKey(1)if k 27:breakelif count 200:breakcap.release()
cv2.destroyAllWindows()代码解析
cap cv2.VideoCapture(0)调用摄像头参数0表示默认为笔记本的内置第一个摄像头 cap.isOpened()判断视频对象是否成功读取成功读取视频对象返回True这里作为循环一直执行的条件。 ret,frame cap.read()按帧读取视频返回值ret是布尔型正确读取则返回True读取失败或读取视频结尾则会返回Falseframe为每一帧的图像。 faces face_detector.detectMultiScale(gray, 1.3, 5)#第一个参数是灰度图像第二个参数是尺度变换就是向上或者向下每次是原来的多少倍这里是1.02倍第三个参数是人脸检测次数设置越高误检率越低但是对于迷糊图片我们设置越高越不易检测出来要适当降低 key cv2.waitKey(1)等待键盘输入参数1表示延时1ms切换到下一帧参数为0表示显示当前帧相当于暂停让其等于27,27在电脑上表示Esc退出。 这里根据count的数值录入200张结束实际也可以录入更多但也不是更多更好。 这里的保存的图片都固定放到了一个人脸图像集里面里面的图片名为user.count.jpg 运行代码会在User data input,Look at the camera and wait …停下这里是要输入因为后期是需要用names数组来显示名字所以这里的user名为0,1,2的下标输入为0,1,2…… 人脸训练完整代码
import os
import cv2
import numpy as np
from PIL import Imagepath D:/opencv_test/
recognizer cv2.face.LBPHFaceRecognizer_create()
detector cv2.CascadeClassifier(D:/opencv\sources/data/haarcascades/haarcascade_frontalface_default.xml)def get_images_and_labels(path):image_paths [os.path.join(path, f) for f in os.listdir(path)]face_samples []ids []for image_path in image_paths:img Image.open(image_path).convert(L)img_np np.array(img, uint8)if os.path.split(image_path)[-1].split(.)[-1] ! jpg:continueid int(os.path.split(image_path)[-1].split(.)[0])faces detector.detectMultiScale(img_np)for (x, y, w, h) in faces:face_samples.append(img_np[y:y h, x:x w])ids.append(id)return face_samples, idsfaces, ids get_images_and_labels(path)
recognizer.train(faces, np.array(ids))
recognizer.save(trainer/trainer.yml)
代码解析
recognizer cv2.face.LBPHFaceRecognizer_create():生成LBPH识别器实例模型 cv2.face_FaceRecognizer.train():对每个参考图像计算LBPH得到一个向量每个人脸都是整个向量集中的一个点 detector cv2.CascadeClassifier(‘sources/data/haarcascades/haarcascade_frontalface_default.xml’):调用Opencv自带训练好的人脸检测器默认 OpenCV自带的人脸检测器在sources/data/目录下根据每个人OpenCV安装的目录不同这里也都是用的绝对地址 这里获取的id是user而不是count这也就是我改善了那位博客主的代码问题将对应路径下的所有人脸图片按对应的user名进行训练保存训练好的数据集。 人脸识别流程
step1:调用摄像头获取视频流的图像帧框出人脸用训练好的人脸图像集去和视频中的人脸进行匹配使用预测函数predict获取置信评分。 step2:LBPH识别置信评分80以上就算是不合格所以判断预测出来的置信评分如果视频流中的人脸没有在训练集中那么就表示成unknow。 step3:框出的视频流图像帧把人脸框出来显示置信评分和预测出来的人脸的标签用标签去指定输出是图像集中的哪个人。 step4:释放摄像头资源并关闭窗口。
人脸识别完整代码
import cv2recognizer cv2.face.LBPHFaceRecognizer_create()
recognizer.read(trainer/trainer.yml)
face_cascade cv2.CascadeClassifier(D:/opencv\sources/data/haarcascades/haarcascade_frontalface_default.xml)
font cv2.FONT_HERSHEY_SIMPLEX
idnum 0cam cv2.VideoCapture(0)
cam.set(6, cv2.VideoWriter.fourcc(M, J, P, G))
minW 0.1 * cam.get(3)
minH 0.1 * cam.get(4)names [linluocheng,zhupengcheng]while True:ret, img cam.read()gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)faces face_cascade.detectMultiScale(gray,scaleFactor1.2,minNeighbors5,minSize(int(minW), int(minH)))for (x, y, w, h) in faces:cv2.rectangle(img, (x, y), (x w, y h), (0, 255, 0), 2)idnum, confidence recognizer.predict(gray[y:y h, x:x w])if confidence 80:idum names[idnum]confidence {0}%.format(round(100 - confidence))else:idum unknownconfidence {0}%.format(round(100 - confidence))cv2.putText(img, str(idum), (x 5, y - 5), font, 1, (0, 0, 255), 1)cv2.putText(img, str(confidence), (x 5, y h - 5), font, 1, (0, 0, 0), 1)cv2.imshow(camera, img)k cv2.waitKey(10)if k 27:breakcam.release()
cv2.destroyAllWindows()
代码解析
recongnizer.predict()一个预测函数获取图像的标签和图像和训练集的相似度也称置信评分。 cv2.putText()参数图片 添加的文字 位置 字体 字体大小 字体颜色 字体粗细),将文字显示到图像上中文会显示乱码。 format 格式化函数基本语法是通过{}和:来代替之前前的%有点类似C语言的格式符 round() 方法返回浮点数x的四舍五入值 转成灰度图并在上面框住人脸用人脸和训练好的去比较当置信评分达到一定程度即为匹配成功显示人脸和置信评分。 这里还是有一处是那位博客主的错误就是format函数和前面的“”之前是用.隔开而不是逗号.
