當(dāng)前位置：首頁 > 运维知识 > windows >内容正文

windows

简易机器学习笔记（十一）opencv 简易使用-人脸识别、分类任务

發(fā)布時(shí)間：2024/1/16 windows 30 coder

生活随笔收集整理的這篇文章主要介紹了简易机器学习笔记（十一）opencv 简易使用-人脸识别、分类任务小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

前言

前段時(shí)間摸了下機(jī)器學(xué)習(xí)，然后我發(fā)現(xiàn)其實(shí)openCV還是一個(gè)很浩瀚的庫的，現(xiàn)在也正在寫一篇有關(guān)yolo的博客，不過感覺理論偏多，所以在學(xué)yolo之前先摸一下opencv，簡單先寫個(gè)項(xiàng)目感受感受opencv。

流程

openCV實(shí)際上已經(jīng)有一個(gè)比較完整的模型了，下載在haarcascades

這里我們下haarcascade_frontalface_default.xml以備用。

在做人臉識別的時(shí)候流程就比較簡單了

讀取圖片
創(chuàng)建Haar級聯(lián)器
圖片轉(zhuǎn)灰度圖（可以不轉(zhuǎn)，轉(zhuǎn)了能更快而已）
通過Haar級聯(lián)分類器來檢測人臉面部特征，返回faces結(jié)構(gòu)
使用openCV的接口，在原圖上框選出結(jié)果，并展示

編碼

這里代碼偏簡單，就不過多介紹了

import numpy as np
import cv2

img = './faces/lena.bmp'
#臉部Haar級聯(lián)器
facer_path = './faces/haarcascade_frontalface_default.xml'
facer = cv2.CascadeClassifier(facer_path)

img = cv2.imread(img)

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)


#執(zhí)行人臉識別

#現(xiàn)在可以使用Haar級聯(lián)分類器來檢測人臉和其他面部特征

faces = facer.detectMultiScale(gray,1.35,3)

for(x,y,w,h) in faces:
    cv2.rectangle(img,(x,y),(x+w,y+h),(0,0,255),2)
    roi_img = img[y:y+h, x:x+w]

cv2.imshow('img', img)
cv2.waitKey()

結(jié)果：

進(jìn)階

且不看運(yùn)行的結(jié)果如何，但從結(jié)果你就可以看出來，這里只是把人臉從圖片中框出來了。但這還不夠，我們實(shí)際上不僅希望你可以把人臉圈出來，還希望能把人臉分類，比如A是A，B是B這樣。

OpenCV提供了3種人臉識別方法，分別是Eigenfaces、Fisherfaces和LBPH。這3種方法都是通過對比樣本的特征最終實(shí)現(xiàn)人臉識別。因?yàn)檫@3種算法提取特征的方式不一樣，側(cè)重點(diǎn)不同，所以不能分出孰優(yōu)孰劣，只能說每種方法都有各自的識別風(fēng)格。 OpenCV為每一種人臉識別方法都提供了創(chuàng)建識別器、訓(xùn)練識別器和識別3種方法，這3種方法的語法非常相似。我這里只簡單說說Eigenfaces怎么調(diào)用，至于其他的兩種讀者感興趣可以自己去搜索。

Eigenfaces人臉識別器

Eigenfaces也叫作“特征臉”。Eigenfaces通過PCA（主成分分析）方法將人臉數(shù)據(jù)轉(zhuǎn)換到另外一個(gè)空間維度做相似性計(jì)算。在計(jì)算過程中，算法可以忽略一些無關(guān)緊要的數(shù)據(jù)，僅識別一些具有代表性的特征數(shù)據(jù)，最后根據(jù)這些特征識別人臉。開發(fā)者需要通過以下3種方法完成人臉識別操作。

（1）通過cv2.face.EigenFaceRecognizer_create()方法創(chuàng)建Eigenfaces人臉識別器，其語法如下：

recognizer = cv2.face.EigenFaceRecognizer_create(num_components, threshold)

參數(shù)說明：

num_components：可選參數(shù)，PCA方法中保留的分量個(gè)數(shù)，建議使用默認(rèn)值。

threshold：可選參數(shù)，人臉識別時(shí)使用的閾值，建議使用默認(rèn)值。

返回值說明：

recognizer：創(chuàng)建的Eigenfaces人臉識別器對象。

（2）創(chuàng)建識別器對象后，需要通過對象的train()方法訓(xùn)練識別器。建議每個(gè)人都給出2幅以上的人臉圖像作為訓(xùn)練樣本。train()方法的語法如下：

recognizer.train(src, labels)

對象說明：

recognizer：已有的Eigenfaces人臉識別器對象。參數(shù)說明：

src：用來訓(xùn)練的人臉圖像樣本列表，格式為list。樣本圖像必須寬、高一致。

labels：樣本對應(yīng)的標(biāo)簽，格式為數(shù)組，元素類型為整數(shù)。數(shù)組長度必須與樣本列表長度相同。樣本與標(biāo)簽按照插入順序一一對應(yīng)。

（3）訓(xùn)練識別器后可以通過識別器的predict()方法識別人臉，該方法對比樣本的特征，給出最相近的結(jié)果和評分，其語法如下：

label, confidence = recognizer.predict(src)

對象說明：

recognizer：已有的Eigenfaces人臉識別器對象。參數(shù)說明：

src：需要識別的人臉圖像，該圖像寬、高必須與樣本一致。返回值說明：

label：與樣本匹配程度最高的標(biāo)簽值。

confidence：匹配程度最高的信用度評分。評分小于5000匹配程度較高，0分表示2幅圖像完全一樣。下面通過一個(gè)實(shí)例來演示Eigenfaces人臉識別器的用法。

確定流程

最后我們來確定一下流程：

讀取數(shù)據(jù)
創(chuàng)建特征臉識別器
輸入圖片和labels開始訓(xùn)練
輸入需要識別的人臉圖像
得到輸出

我這里把我的訓(xùn)練集整理了以下，名稱打在前面。我這里照片是我自己找的，具體的圖片訓(xùn)練集大伙可以自己去設(shè)定。

具體代碼如下，代碼的功能可以參考注釋

import numpy as np
import cv2
import os

face_path = './faces'
photos = list()
labels = list()

# 設(shè)置期望的圖像大小
desired_size = (811, 843)
#定義labels
names = {"0":"mengzi","1":"qy","2":"lx","3":"qq"}
# 從當(dāng)前路徑中讀取到所有的file
for root, dirs, files in os.walk(face_path):
    for file in files:
        if '.xml' in file:
            continue
        img_path = os.path.join(root, file)
        img = cv2.imread(img_path, 0)
        # 圖片需要設(shè)置到期望大小，因?yàn)槟Ｐ洼斎氲膱D片大小都必須是統(tǒng)一值，否則會(huì)無法訓(xùn)練
        img_resized = cv2.resize(img, desired_size) 
        # 根據(jù)圖片的人臉，對應(yīng)到names，插入到labels  
        if 'mengzi' in file: 
            # 讀取圖像并調(diào)整大小 
            labels.append(0)
        elif 'qy' in file:
            labels.append(1)
        elif 'lx' in file:
            labels.append(2)
        elif 'qq' in file:
            labels.append(3)
        else:
            continue
        photos.append(img_resized)



#創(chuàng)建人臉識別器
recognizer = cv2.face.EigenFaceRecognizer_create()
recognizer.train(photos, np.array(labels))

# 讀取測試圖像并調(diào)整大小
target = cv2.imread(face_path + '/test5.jpg', 0)
target_resized = cv2.resize(target, desired_size)

#輸出待識別對象
label, confidence = recognizer.predict(target_resized)

print('confidence = ' + str(confidence))
print(names[str(label)])

結(jié)果

這里代碼其實(shí)也能看得出，最后之能輸出圖片中人物的label和執(zhí)行度，這樣我們倒是完成了一個(gè)分類的工作。但是這里有個(gè)問題，就是我們不僅僅需要分類，還需要知道人臉的具體位置。

結(jié)合Haar級聯(lián)器和Eigenfaces人臉識別器實(shí)現(xiàn)人臉劃分

前言

剛剛說了兩種，一個(gè)是劃分區(qū)域，一個(gè)是打標(biāo)簽，那么能不能即劃分區(qū)域，又打上標(biāo)簽?zāi)兀慨?dāng)然是可以的，接下來就簡單說說怎么做。

流程

實(shí)際上流程就是把兩個(gè)模式結(jié)合起來，先使用Haar級聯(lián)器劃分出臉部區(qū)域，然后再用Eigenfaces人臉識別器去檢查分出的臉部區(qū)域的對象名稱，然后將標(biāo)簽放在圖片上即可。

加載Haar級聯(lián)分類器
讀取文件并訓(xùn)練Eigenfaces人臉識別器
讀取目標(biāo)圖片
通過Haar級聯(lián)分類器掃描得到目標(biāo)圖片中的所有人臉框
對所有人臉框使用Eigenfaces人臉識別器進(jìn)行識別
畫上方框，并打上標(biāo)簽

代碼

代碼如下：

import numpy as np
import cv2
import os

# 加載Haar級聯(lián)分類器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
face_path = './faces'
photos = list()
labels = list()

# 讀取學(xué)習(xí)圖片
desired_size = (811, 843)
names = {"0":"mengzi","1":"qy","2":"lx","3":"qq","4":"ch"}
for root, dirs, files in os.walk(face_path):
    for file in files:
        if '.xml' in file:
            continue
        img_path = os.path.join(root, file)
        img = cv2.imread(img_path, 0)
        img_resized = cv2.resize(img, desired_size)
        
        if 'mengzi' in file: 
            # 讀取圖像并調(diào)整大小 
            labels.append(0)
        elif 'qy' in file:
            labels.append(1)
        elif 'lx' in file:
            labels.append(2)
        elif 'qq' in file:
            labels.append(3)
        elif 'ch' in file:
            labels.append(4)
        else:
            continue
        photos.append(img_resized)



# 訓(xùn)練人臉識別器
recognizer = cv2.face.EigenFaceRecognizer_create()
recognizer.train(photos, np.array(labels))
# 讀取測試圖像
target = cv2.imread(face_path + '/test_ch.jpg')
target_gray = cv2.cvtColor(target, cv2.COLOR_BGR2GRAY)

# 檢測人臉
faces = face_cascade.detectMultiScale(target_gray, scaleFactor=1.2, minNeighbors=5, minSize=(30, 30))

# 對于每個(gè)檢測到的人臉
for (x, y, w, h) in faces:
    # 在原圖上繪制矩形框出人臉
    cv2.rectangle(target, (x, y), (x+w, y+h), (255, 0, 0), 2)
    
    # 提取人臉區(qū)域并調(diào)整到期望大小
    face_region = target_gray[y:y+h, x:x+w]
    face_resized = cv2.resize(face_region, desired_size)
    
    # 使用EigenFaceRecognizer進(jìn)行預(yù)測
    label, confidence = recognizer.predict(face_resized)
    
    # 將識別的名字和置信度打印在圖像上方
    cv2.putText(target, f'{names[str(label)]} - {confidence:.2f}', (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (36,255,12), 2)

# 顯示圖像
cv2.imshow('Face Recognition', target)
cv2.waitKey(0)
cv2.destroyAllWindows()

測試結(jié)果：
雖然打了馬賽克，但是實(shí)際上結(jié)果是可以置信的。在這里，還可以根據(jù)置信程度來對不同的人臉進(jìn)行篩選，比如不想要的臉或者置信程度不高的臉可以再進(jìn)行舍棄。

總結(jié)

以上是生活随笔為你收集整理的简易机器学习笔记（十一）opencv 简易使用-人脸识别、分类任务的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。