欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

基于树莓派opencv-Python的人脸识别

程序员文章站 2022-07-13 10:30:59
...

基于树莓派opencv-Python的人脸识别

广西●河池学院
广西高校重点实验室培训基地
系统控制与信息处理重点实验室
本篇博客来自河池学院: 智控无人机小组写作时间:2020年8月22日

一、 介绍

通过将人脸收集,进行训练,将要分析的面部的捕获部分作为参数,并将返回其可能的所有者,指示其ID以及识别器对此匹配的信任程度实现人脸的识别。

二、实现步骤

一、人脸收集

基于树莓派opencv-Python的人脸识别
首先,创建用于开发项目的目录,例如FacialRecognitionProject:

 mkdir FacialRecognitionProject

接下来,创建一个子目录,我们将在其中存储面部样本并将其命名为“数据集”:

 mkdir dataset

之后将以下代码命名为01_face_dataset.py并保存在FacialRecognitionProject文件夹中,除此之外我们还必须在FacialRecognitionProject上保存面部分类器haarcascade_frontalface_default.xml

import cv2
import os

cam = cv2.VideoCapture(0)
cam.set(3, 640) # set video width
cam.set(4, 480) # set video height

face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# For each person, enter one numeric face id
face_id = input('\n enter user id end press <return> ==>  ')

print("\n [INFO] Initializing face capture. Look the camera and wait ...")
# Initialize individual sampling face count
count = 0

while(True):
    ret, img = cam.read()
    img = cv2.flip(img, 1) # flip video image vertically
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_detector.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)     
        count += 1

        # Save the captured image into the datasets folder
        cv2.imwrite("dataset/User." + str(face_id) + '.' + str(count) + ".jpg", gray[y:y+h,x:x+w])

        cv2.imshow('image', img)

    k = cv2.waitKey(100) & 0xff # Press 'ESC' for exiting video
    if k == 27:
        break
    elif count >= 30: # Take 30 face sample and stop video
         break

# Do a bit of cleanup
print("\n [INFO] Exiting Program and cleanup stuff")
cam.release()
cv2.destroyAllWindows()

运行代码,填入ID(1,2,3)号,ID必须为整数。

 face_id = input('\n enter user id end press <return> ==>  ')

对于捕获的每个帧,我们都应将其另存为“数据集”目录中的文件:

cv2.imwrite("dataset/User." + str(face_id) + '.' + str(count) + ".jpg", gray[y:y+h,x:x+w])

请注意,要保存上述文件,必须已导入库“ os”。每个文件的名称将遵循以下结构:

User.face_id.count.jpg

例如,对于一个face_id = 1的用户,数据集/目录上的第四个样本文件将类似于:

 User.1.4.jpg

在代码中,每个ID捕获30个样本,可以在最后的“elif”上进行更改。样本数量用于打破捕获面部样本的循环。运行Python脚本并捕获一些ID。每次要聚集新用户(或更改已经存在的用户的照片)时,都必须运行脚本。

二、人脸训练

基于树莓派opencv-Python的人脸识别
我们必须从数据集中获取所有用户数据,并“训练” OpenCV Recognizer。这是通过特定的OpenCV函数直接完成的。
首先,创建一个子目录,我们将在其中存储训练后的数据:

 mkdir trainer

之后将以下代码命名02_face_training.py,并保存在FacialRecognitionProject文件夹中。

import cv2
import numpy as np
from PIL import Image
import os

# Path for face image database
path = 'dataset'

recognizer = cv2.face.LBPHFaceRecognizer_create()
detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml");

# function to get the images and label data
def getImagesAndLabels(path):
    imagePaths = [os.path.join(path,f) for f in os.listdir(path)]     
    faceSamples=[]
    ids = []
    for imagePath in imagePaths:
        PIL_img = Image.open(imagePath).convert('L') # convert it to grayscale
        img_numpy = np.array(PIL_img,'uint8')
        id = int(os.path.split(imagePath)[-1].split(".")[1])
        faces = detector.detectMultiScale(img_numpy)
        for (x,y,w,h) in faces:
            faceSamples.append(img_numpy[y:y+h,x:x+w])
            ids.append(id)
    return faceSamples,ids

print ("\n [INFO] Training faces. It will take a few seconds. Wait ...")
faces,ids = getImagesAndLabels(path)
recognizer.train(faces, np.array(ids))

# Save the model into trainer/trainer.yml
recognizer.write('trainer/trainer.yml') # recognizer.save() worked on Mac, but not on Pi

# Print the numer of faces trained and end program
print("\n [INFO] {0} faces trained. Exiting Program".format(len(np.unique(ids))))

确认是否在Rpi上安装了PIL库。如果没有,请在终端中运行以下命令:

 pip install pillow

运行代码,我们将使用OpenCV软件包中随附的LBPH(本地二进制模式直方图)人脸识别器作为识别器。我们在以下行中执行此操作:

 recognizer = cv2.face.LBPHFaceRecognizer_create()

函数getImagesAndLabels(path)将在目录“ dataset /”上识别所有照片,并返回2个数组:“ Ids”和“ faces”。使用这些数组作为输入,我们将“训练我们的识别器”:

recognizer.train(faces, np.array(ids))

结果,名为“ trainer.yml”的文件将保存在我们之前创建的Trainer目录中。

三、人脸识别

基于树莓派opencv-Python的人脸识别
我们将在相机上捕捉一张新面孔,如果此人之前曾被捕捉和训练过,则我们的识别器将做出“预测”,返回其ID和索引,返回置信度。
将以下代码命名03_face_recognition.py,并保存在FacialRecognitionProject文件夹中。

import cv2
import numpy as np
import os 

recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('trainer/trainer.yml')
cascadePath = "haarcascade_frontalface_default.xml"
faceCascade = cv2.CascadeClassifier(cascadePath);

font = cv2.FONT_HERSHEY_SIMPLEX

#iniciate id counter
id = 0

# names related to ids: example ==> Marcelo: id=1,  etc
names = ['None', 'meng', 'Paula', 'Ilza', 'Z', 'W'] 

# Initialize and start realtime video capture
cam = cv2.VideoCapture(0)
cam.set(3, 640) # set video widht
cam.set(4, 480) # set video height

# Define min window size to be recognized as a face
minW = 0.1*cam.get(3)
minH = 0.1*cam.get(4)

while True:
    ret, img =cam.read()
    img = cv2.flip(img, -1) # Flip vertically
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    
    faces = faceCascade.detectMultiScale( 
        gray,
        scaleFactor = 1.2,
        minNeighbors = 5,
        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)
        id, confidence = recognizer.predict(gray[y:y+h,x:x+w])

        # Check if confidence is less them 100 ==> "0" is perfect match 
        if (confidence < 100):
            id = names[id]
            confidence = "  {0}%".format(round(100 - confidence))
        else:
            id = "unknown"
            confidence = "  {0}%".format(round(100 - confidence))
        
        cv2.putText(img, str(id), (x+5,y-5), font, 1, (255,255,255), 2)
        cv2.putText(img, str(confidence), (x+5,y+h-5), font, 1, (255,255,0), 1)  
    
    cv2.imshow('camera',img) 

    k = cv2.waitKey(10) & 0xff # Press 'ESC' for exiting video
    if k == 27:
        break

# Do a bit of cleanup
print("\n [INFO] Exiting Program and cleanup stuff")
cam.release()
cv2.destroyAllWindows()

我们在此处定义一个新数组,因此我们将显示“名称”,而不是编号的ID:

names = ['None', 'meng', 'Paula', 'Ilza', 'Z', 'W'] 

因此,例如:meng将id = 1的用户;Paula:id = 2,依此类推。
如果置信指数被视为完全匹配,则其将返回“零”。
最后,如果识别器可以预测到人脸,我们在图像上放上一个文本,并附上可能的ID,以“%”表示匹配正确(“概率” = 100-置信指数)。如果不是,则在脸上贴上“未知”标签。