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
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
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
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。
上一篇: 微服务分布式session共享解决方案
推荐阅读
-
基于jupyter notebook的python编程(Win10通过OpenCv-3.4.1进行人脸口罩数据集的模型训练并进行戴口罩识别检测)
-
基于HTML5 的人脸识别活体认证的实现方法
-
基于ROS的OPCV的人脸识别
-
基于树莓派opencv-Python的人脸识别
-
基于树莓派和OpenCV的人脸识别
-
基于树莓派opencv—Python的人脸面部特征框选(眼睛和微笑)
-
juypter 基于keras训练的笑脸检测+口罩人脸识别
-
通过树莓派获取温度(基于文件I/O的简单应用)
-
基于Python的face_recognition库实现人脸识别
-
基于神经网络的人脸识别tensorflow(数据的存储与加载)