OpenCv识别小罗伯特唐尼

OpenCv识别小罗伯特唐尼

一、OpenCV简单介绍

在实现人脸识别之前，我们先简单了解一下OpenCv的一些基本操作。在此之前，我们需要先安装OpenCv，我们使用pip安装：

pip install opencv-python

另外我们还需要另外一个模块：

pip install opencv-contrib-python

接下来我们就可以学习OpenCv了。

1.1、OpenCv操作图像

我们来简单读取一个图像，并将该图像显示：

# 导入模块
import cv2
# 读取图片
im = cv2.imread('1.jpg')
# 显示图片，该方法只会显示一瞬间。（第一个参数为窗口名称，第二个参数为ndarray对象）
cv2.imshow('im', im)
# 等待键盘输入，传入毫秒值，当传入0时表示无限等待。（imshow配合该方法可以让界面一直显示）
cv2.waitKey(0)
# 因为OpenCv是用C/C++写的，所以需要释放内存
cv2.destroyAllWindows()

上述代码就实现了最简单的读取并显示图像的操作了。

1.2、灰度转换

灰度就是使用黑色调表示物体，即用黑色为基准色，不同的饱和度的黑色来显示图像。 灰度转换就是将图片转换成黑白图像。因为我们在人脸识别时，灰度图像便于识别，所以我们先来了解一下。用OpenCv实现灰度转换很简单：

import cv2
# 读取图像
im = cv2.imread('1.jpg')
# 灰度转换（第一个参数为ndarray对象，第二个参数为cv2中的常量），返回一个ndarray对象
grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
# 将grey保存
cv2.imwrite('grey.jpg', grey)
# 显示灰度转换后的图像
cv2.imshow('grey', grey)
# 等待键盘输入
cv2.waitKey(0)
# 销毁窗口
cv2.destroyAllWindows()

效果如下：

1.3、绘制图形

我们后续在检测人脸的时候，我们会绘制图形，将人脸框起来。图形的绘制也非常简单，我们看如下代码：

import cv2
# 读取图像
im = cv2.imread('1.jpg')
# 在图像im上绘制矩形
"""
第一个参数为ndarray对象
第二个参数为左上角的坐标(x1, y1)
第三个参数为右下角的坐标(x2, y2)
第四个参数为颜色值，其顺序不同于我们之前的，使用的是BGR
第五个参数为线条宽度
"""
angle(im, (0, 0), (200, 200), (255, 255, 0), 2)
# 显示图像
cv2.imshow('im', im)
# 等待输入
cv2.waitKey(0)
# 销毁窗口
cv2.destroyAllWindows()

对比图如下：

了解上面知识后，我们就可以进入下一步的学习了。

二、人脸检测

2.1、获取特征数据

开始人类检测之前，我们要先获取一个特征数据。我们先去官网，看到如下界面：

点击相应的下载后，双击安装就可以了。我们进入D:CodeFieldOpenCvopencvsourcesdatahaarcascades，前面为你opencv的安装目录。进入该文件夹后，里面全是特征文件，我们一般选用haarcascade_l。

2.1、检测人脸

我们可以把特征文件复制到我们项目下，也可以直接用绝对路径引用。我们检测人脸需要一个cv2.CascadeClassifier对象，该对象可以用来检测人脸。代码如下：

face_detector = cv2.CascadeClassifier('haarcascade_l')

其中，传入参数为特征文件的路径。我们可以选择相对路径，也可以选择绝对路径。完整人类检测代码如下：

import cv2
# 加载特征数据
face_detector = cv2.CascadeClassifier('haarcascade_l')
# 读取图片
im = cv2.imread('1.jpg')
# 检测人脸，返回人脸的位置信息
faces = face_detector.detectMultiScale(im)
# 遍历人脸
for x, y, w, h in faces:# 在人脸区域绘制矩形angle(im, (x, y), (x+w, y+h), (255, 255, 0), 2)
# 显示图像
cv2.imshow('im', im)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中detectMultiScale方法返回一个ndarray对象，这个对象保存了n张人脸的左上角坐标、脸的宽、脸的高。检测效果如下：

不过有时会有一些误差，大多数清晰人脸可以正常检测到。

三、人脸识别

上面的内容我们已经说了人脸检测的实现，那人脸识别和人脸检测有什么区别呢？它们的区别在于，人脸检测是要确定一张图像里面有没有人脸，而人脸识别则是要确定图像中的人脸是谁。不过要确定是谁之前，我们需要先见过人脸的主人，这就需要我们训练数据了。

3.1、训练数据

训练数据主要有两个部分，人脸信息和标签，其中标签为int列表。我在目录gtx中准备了50来张钢铁侠图片，为了方便获取标签，我们先编写如下代码：

import ospath = "./gtx/"
# 获取文件列表
paths = os.listdir(path)
i = 0	# 循环变量
for file in paths:i += 1# 将文件重命名os.rename(path+file, path + str(i) + str(1) + ".jpg")

这段代码就是遍历当前目录下gtx文件夹下的图片，将图片名称改为数字+1+.jpg格式。

上面是我用爬虫爬取的一些图片，我们将这些使用上述代码转换成数字+1+.jpg格式，我们把1做为小罗伯特唐尼的标签，我们可以继续多把其他人的人脸改为数字+2+.jpg格式，这样就可以做到区分。不过上述代码有一个问题，即当我们遍历到第四个图片时，名称需要改为41.jpg，而在我的文件夹中已经存在41.jpg，所以会产生错误。我们将代码改为如下：

import os
path = "./gtx/"
paths = os.listdir(path)
i = 0
for file in paths:i += ame(path + file, path + str(i) + str(1) + ".jpg")except Exception as e:print(e)# 当发生异常时，直接跳过continue

准备好图像后，我们就可以开始训练数据了，训练数据代码如下：

import cv2
import os
import numpyroot_path = "./gtx/"def getFacesAndLabels():"""读取图片特征和标签"""global root_pathfaces = []lables = []# 获取人脸检测器face_detector = cv2.CascadeClassifier('haarcascade_l')# 获取图片路径files = os.listdir(root_path)for file in files:path = root_path + file# 读取图片im = cv2.imread(path)# 转换灰度grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)# 读取人脸数据face = face_detector.detectMultiScale(grey)for x, y, w, h in face:# 设置标签，分离文件名称lables.append(int(file.split('.')[0]))# 设置人脸数据faces.append(grey[y:y+h, x:x+w])return faces, lables# 调用方法获取人脸信息及标签
faces, labels = getFacesAndLabels()
# 获取训练对象
recognizer = cv2.face.LBPHFaceRecognizer_create()
# 训练数据
ain(faces, numpy.array(labels))
# 保存训练数据
recognizer.write('./l')

在上面代码中，我们上面的并没有对文件名称中的最后一个数字1进行区分，后续会使用到。关于训练数据，大家可以多准备一些人物和图片。

3.2、人脸识别

我们训练完数据后，就可以进行人脸识别了。在识别之前我们先加载训练数据，然后就是基本的人类检测步骤。最后我们调用predict方法进行人脸识别，在训练数据中匹配人物。

import cv2# 加载训练数据集
recognizer = cv2.face.LBPHFaceRecognizer_create()
ad('./l')# 准备识别的图片
im = cv2.imread('1.jpg')
grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)# 检测人脸
face_detector = cv2.CascadeClassifier('haarcascade_l')
face = face_detector.detectMultiScale(grey)for x, y, w, h in face:# 返回人脸标签和可信度，可信度数值越低，可信度越高（用词不当，不要在意）label, confidence = recognizer.predict(grey[y:y+h, x:x+w])# 这里将60作为界限，当检测检测值为60时，我们就确定人物if confidence <= 60:if label % 10 == 1:print('小罗伯特唐尼')elif lable % 10 == 2:passelse:print("未匹配到数据")cv2.imshow('im', im)cv2.waitKey(0)
# 销毁窗口
cv2.destroyAllWindows()

上述代码中，我们用标签label%10，可以获得文件最后一个数字，这样就可以达到区分人物的作用，我们用如下图片进行测试。

输出结果如下：

小罗伯特唐尼

算是成功了，多次测试后，发现准备率方面比较中规中矩。大家可以尝试多准备写图片用来训练，从而提高准确率。代码已上传GitHub：