将opencv中haarcascade_frontalface_default.xml文件下载到本地,我们调用它辅助进行人脸识别。

识别图像中的人脸

#coding:utf-8
import cv2 as cv

# 读取原始图像
img = cv.imread('face.png')

# 调用熟悉的人脸分类器 识别特征类型
# 人脸 - haarcascade_frontalface_default.xml
# 人眼 - haarcascade_eye.xml
# 微笑 - haarcascade_smile.xml
face_detect = cv.cascadeclassifier('haarcascade_frontalface_default.xml')
gray = cv.cvtcolor(img, cv.color_bgr2gray)

# 检查人脸 按照1.1倍放到 周围最小像素为5
face_zone = face_detect.detectmultiscale(gray, scalefactor=1.1, minneighbors=5)
print ('识别人脸的信息:',face_zone)

# 绘制矩形和圆形检测人脸
for x, y, w, h in face_zone:
  # 绘制矩形人脸区域 thickness表示线的粗细
  cv.rectangle(img, pt1=(x, y), pt2=(x+w, y+h),color=[0,0,255], thickness=2)
  # 绘制圆形人脸区域 radius表示半径
  cv.circle(img, center=(x+w//2, y+h//2), radius=w//2, color=[0,255,0], thickness=2)

# 设置图片可以手动调节大小
cv.namedwindow("easmount-csdn", 0)

# 显示图片
cv.imshow("easmount-csdn", img)

# 等待显示 设置任意键退出程序
cv.waitkey(0)
cv.destroyallwindows()

注意,此算法只能检测正脸,并且任何算法都有一定的准确率。如上图所示,图像中有一处被错误地检测为人脸。

cascadeclassifier:

是opencv中人脸检测的一个级联分类器,既可以使用haar,也可以使用lbp特征。以haar特征分类器为基础的对象检测技术是一种非常有效的技术。它是基于机器学习且使用大量的正负样本训练得到分类器。

haar-like矩形特征:

是用于物体检测的数字图像特征。这类矩形特征模板由两个或多个全等的黑白矩形相邻组合而成,而矩形特征值是白色矩形的灰度值的和减去黑色矩形的灰度值的和,矩形特征对一些简单的图形结构,如线段、边缘比较敏感。如果把这样的矩形放在一个非人脸区域,那么计算出的特征值应该和人脸特征值不一样,所以这些矩形就是为了把人脸特征量化,以区分人脸和非人脸。

lbp:

是一种特征提取方式,能提取出图像的局部的纹理特征,最开始的lbp算子是在3×3窗口中,取中心像素的像素值为阀值,与其周围八个像素点的像素值比较,若像素点的像素值大于阀值,则此像素点被标记为1,否则标记为0。这样就能得到一个八位二进制的码,转换为十进制即lbp码,于是得到了这个窗口的lbp值,用这个值来反映这个窗口内的纹理信息。lbph是在原始lbp上的一个改进,在opencv支持下我们可以直接调用函数直接创建一个lbph人脸识别的模型。比如:cv.face.lbphfacerecognizer_create()。

detectmultiscale:

检测人脸算法,其参数:
– image表示要检测的输入图像
– objects表示检测到的人脸目标序列
– scalefactor表示每次图像尺寸减小的比例
– minneighbors表示每一个目标至少要被检测到3次才算是真的目标,因为周围的像素和不同的窗口大小都可以检测到人脸
– minsize表示目标的最小尺寸
– maxsize表示目标的最大尺寸

识别视频中的人脸

将视频中每一帧图像取出,进行图像人脸识别,标记识别到的人脸,显示每一帧图像。

#coding:utf-8
import cv2 as cv
import numpy as np

# 加载视频
cap = cv.videocapture('wang.mp4')

# 调用熟悉的人脸分类器 识别特征类型
# 人脸 - haarcascade_frontalface_default.xml
# 人眼 - haarcascade_eye.xm
# 微笑 - haarcascade_smile.xml
face_detect = cv.cascadeclassifier('haarcascade_frontalface_default.xml')

while true:
  # 读取视频片段
  flag, frame = cap.read()
  if flag == false:
    break

  # 灰度处理
  gray = cv.cvtcolor(frame, cv.color_bgr2gray)

  # 检查人脸 按照1.1倍放到 周围最小像素为5
  face_zone = face_detect.detectmultiscale(gray, scalefactor = 1.5, minneighbors = 8)

  # 绘制矩形和圆形检测人脸
  for x, y, w, h in face_zone:
    cv.rectangle(frame, pt1 = (x, y), pt2 = (x+w, y+h), color = [0,0,255], thickness=2)
    cv.circle(frame, center = (x + w//2, y + h//2), radius = w//2, color = [0,255,0], thickness = 2)

  # 显示图片
  cv.imshow('video', frame)
  
  # 设置退出键和展示频率
  if ord('q') == cv.waitkey(25):
    break

# 释放资源
cv.destroyallwindows()
cap.release()

识别摄像头中的人脸

#coding:utf-8
import cv2 as cv

# 识别电脑摄像头并打开
cap = cv.videocapture(0)

# 调用熟悉的人脸分类器 识别特征类型
# 人脸 - haarcascade_frontalface_default.xml
# 人眼 - haarcascade_eye.xm
# 微笑 - haarcascade_smile.xml
face_detect = cv.cascadeclassifier('haarcascade_frontalface_default.xml')

while true:
  # 读取视频片段
  flag, frame = cap.read()
  if flag == false:
    break

  # 灰度处理
  gray = cv.cvtcolor(frame, code=cv.color_bgr2gray)

  # 检查人脸 按照1.1倍放到 周围最小像素为5
  face_zone = face_detect.detectmultiscale(gray, scalefactor = 1.1, minneighbors = 5)

  # 绘制矩形和圆形检测人脸
  for x, y, w, h in face_zone:
    cv.rectangle(frame, pt1 = (x, y), pt2 = (x+w, y+h), color = [0,0,255], thickness=2)
    cv.circle(frame, center = (x + w//2, y + h//2), radius = w//2, color = [0,255,0], thickness = 2)

  # 显示图片
  cv.imshow('video', frame)
  
  # 设置退出键和展示频率
  if ord('q') == cv.waitkey(40):
    break

# 释放资源
cv.destroyallwindows()
cap.release()

以上就是python基于opencv实现人脸识别的详细内容,更多关于python opencv 人脸识别的资料请关注www.887551.com其它相关文章!