從實時視頻流中識別出人臉區(qū)域，從原理上看，其依然屬于機器學(xué)習(xí)的領(lǐng)域之一，本質(zhì)上與谷歌利用深度學(xué)習(xí)識別出貓沒有什么區(qū)別。程序通過大量的人臉圖片數(shù)據(jù)進行訓(xùn)練，利用數(shù)學(xué)算法建立建立可靠的人臉特征模型，如此即可識別出人臉。幸運的是，這些工作OpenCV已經(jīng)幫我們做了，我們只需調(diào)用對應(yīng)的API函數(shù)即可，先給出代碼：

#-*- coding: utf-8 -*-

import cv2
import sys
from PIL import Image

def CatchUsbVideo(window_name, camera_idx):
  cv2.namedWindow(window_name)
  
  #視頻來源，可以來自一段已存好的視頻，也可以直接來自USB攝像頭
  cap = cv2.VideoCapture(camera_idx)        
  
  #告訴OpenCV使用人臉識別分類器
  classfier = cv2.CascadeClassifier("/usr/local/share/OpenCV/haarcascades/haarcascade_frontalface_alt2.xml")
  
  #識別出人臉后要畫的邊框的顏色，RGB格式
  color = (0, 255, 0)
    
  while cap.isOpened():
    ok, frame = cap.read() #讀取一幀數(shù)據(jù)
    if not ok:      
      break     #將當(dāng)前幀轉(zhuǎn)換成灰度圖像    grey = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)         
    
    #人臉檢測，1.2和2分別為圖片縮放比例和需要檢測的有效點數(shù)
    faceRects = classfier.detectMultiScale(grey, scaleFactor = 1.2, minNeighbors = 3, minSize = (32, 32))
    if len(faceRects) > 0:      #大于0則檢測到人臉                  
      for faceRect in faceRects: #單獨框出每一張人臉
        x, y, w, h = faceRect    
        cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 2)
            
    #顯示圖像
    cv2.imshow(window_name, frame)    
    c = cv2.waitKey(10)
    if c & 0xFF == ord('q'):
      break    
  
  #釋放攝像頭并銷毀所有窗口
  cap.release()
  cv2.destroyAllWindows() 
  
if __name__ == '__main__':
  if len(sys.argv) != 2:
    print("Usage:%s camera_id\r\n" % (sys.argv[0]))
  else:
    CatchUsbVideo("識別人臉區(qū)域", int(sys.argv[1]))

先看一下程序輸出結(jié)果：

程序正確的識別出了我的臉，加上空白行不到50行代碼，還是很簡單的。當(dāng)然，絕大部分的工作OpenCV已經(jīng)默默地替我們做了，所以我們用起來才這么簡單。關(guān)于代碼有幾個地方需要重點交代，首先就是人臉分類器這行：

#告訴OpenCV使用人臉識別分類器
classfier = cv2.CascadeClassifier("/usr/local/share/OpenCV/haarcascades/haarcascade_frontalface_alt2.xml")

這行代碼指定OpenCV選擇使用哪種分類器（注意，一定習(xí)慣分類這個說法，ML的監(jiān)督學(xué)習(xí)研究的就是各種分類問題），OpenCV提供了多種分類器：

上圖為我的電腦上安裝的OpenCV3.2提供的所有分類器，有識別眼睛的（甚至包括左右眼），有識別身體的，有識別笑臉的，甚至還有識別貓臉的，有興趣的可以逐個試試。關(guān)于人臉識別，OpenCV提供多個分類器選擇使用，其中haarcascade_frontalface_alt_tree.xml是最嚴(yán)格的分類器，光線、帶個帽子都有可能識別不出人臉。其它的稍微好點，default那個識別最寬松，某些情況下我家里的燈籠都會被識別成人臉；）。另外安裝環(huán)境不同，分類器的安裝路徑也有可能不同，請在安裝完OpenCV后根據(jù)分類器的實際安裝路徑修改代碼。另外再多說一句，如果我們想構(gòu)建自己的分類器，比如檢測火焰（火災(zāi)報警）、汽車（確定路口汽車數(shù)量），我們依然可以使用OpenCV訓(xùn)練構(gòu)建，詳細(xì)說明參見OpenCV的官方文檔。

接下來解釋如下幾行代碼：

#人臉檢測，1.2和2分別為圖片縮放比例和需要檢測的有效點數(shù)
faceRects = classfier.detectMultiScale(grey, scaleFactor = 1.2, minNeighbors = 3, minSize = (32, 32))
if len(faceRects) > 0:     #大于0則檢測到人臉                  
  for faceRect in faceRects: #單獨框出每一張人臉
    x, y, w, h = faceRect    
    cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 2)

其中classfier.detectMultiScale()即是完成實際人臉識別工作的函數(shù)，該函數(shù)參數(shù)說明如下：

grey：要識別的圖像數(shù)據(jù)（即使不轉(zhuǎn)換成灰度也能識別，但是灰度圖可以降低計算強度，因為檢測的依據(jù)是哈爾特征，轉(zhuǎn)換后每個點的RGB數(shù)據(jù)變成了一維的灰度，這樣計算強度就減少很多）

scaleFactor：圖像縮放比例，可以理解為同一個物體與相機距離不同，其大小亦不同，必須將其縮放到一定大小才方便識別，該參數(shù)指定每次縮放的比例

minNeighbors：對特征檢測點周邊多少有效點同時檢測，這樣可避免因選取的特征檢測點太小而導(dǎo)致遺漏

minSize：特征檢測點的最小值

對同一個畫面有可能出現(xiàn)多張人臉，因此，我們需要用一個for循環(huán)將所有檢測到的人臉都讀取出來，然后逐個用矩形框框出來，這就是接下來的for語句的作用。Opencv會給出每張人臉在圖像中的起始坐標(biāo)（左上角，x、y）以及長、寬（h、w），我們據(jù)此就可以截取出人臉。其中，cv2.rectangle()完成畫框的工作，在這里我有意識的外擴了10個像素以框出比人臉稍大一點的區(qū)域。cv2.rectangle()函數(shù)的最后兩個參數(shù)一個用于指定矩形邊框的顏色，一個用于指定矩形邊框線條的粗細(xì)程度。

好了，人臉識別的事說清楚了，下一篇該講講如何準(zhǔn)備訓(xùn)練數(shù)據(jù)了，只有訓(xùn)練數(shù)據(jù)足夠多，我們的程序才能識別出這是誰，而不是無論青紅皂白框個人臉就完事。

總結(jié)

以上就是本文關(guān)于python實現(xiàn)人臉識別代碼的全部內(nèi)容，希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站：python通過socket實現(xiàn)多個連接并實現(xiàn)ssh功能詳解、Python基礎(chǔ)練習(xí)之用戶登錄實現(xiàn)代碼分享、Python入門之三角函數(shù)全解【收藏】等，有什么問題可以隨時留言，小編會及時回復(fù)大家的。感謝朋友們對本站的支持！

最新評論