1.导入库函数
1 import numpy as np 2 import matplotlib.pyplot as plt 3 import cv2 4 import os #导入os库，用于实现与操作系统的交互 5 import imghdr #导入imghdr库，用于判断图像文件的类别
2.定义人脸识别函数
1 def facedetector(img_name,output): 2 #定义人脸识别函数，检测人脸后，把人脸保存到指定的文件中 3 name = os.path.basename(img_name) 4 #获取图像文件名 5 6 img = cv2.imread(img_name) 7 #读取图像文件 8 9 gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) 10 #将图像转为灰度图 11 12 face_detector = cv2.CascadeClassifier("haarcascade_frontalface_alt.xml") 13 #加载人脸识别检测器 14 15 #在灰度图中检测人脸 16 faces = face_detector.detectMultiScale( 17 gray, #灰度图像，即想要识别的人脸 18 scaleFactor=1.1,#表示每次缩小图像的比例，为1.1 19 minNeighbors=2, #表示图片需要有2个邻近矩形，才能被认为是人脸。 20 minSize=(20, 20),#定义匹配人脸的最小尺寸 21 flags=cv2.CASCADE_SCALE_IMAGE #选择检测模式，为正常比例检测 22 ) # 在灰度图像中检测人脸 23 24 #将检测出来的人脸部分按照给定文件比蒙保存到指定的文件夹 25 for i,(x,y,w,h) in enumerate(faces): 26 pic_name = 'a{0}{1}'.format(i,name)# 根据人脸位置信息和文件名生成保存的文件名 27 f = cv2.resize(img[y:y+h,x:x+h],(200,200))# 从原图中截取人脸部分并调整大小为200x200像素 28 29 cv2.imwrite(os.path.join(output,pic_name),f)# 将人脸图像保存到指定的输出路径 30 print(x,y)# 输出人脸位置信息
3.定义训练函数
1 def save_faces_for_train(path,output): 2 #保存训练样本中的人脸图像 3 if not os.path.exists(output): 4 #如果输出目录不存在，则创建目录 5 os.makedirs(output)#创建目录 6 7 for file in os.listdir(path):#遍历输入目录中的文件 8 file_name = os.path.join(path,file)# 获取文件的完整路径 9 facedetector(file_name,output)#对每个文件进行人脸检测并保存人脸图像
4.训练两个人脸模型
1 save_faces_for_train("msk","face_images/msk")# 调用函数保存"Msk"目录下的人脸图像 2 3 save_faces_for_train("leijun","face_images/leijun")# 调用函数保存"Leijun"目录下的人脸图像 4 5 print("OK")#如果调用成功，会打印OK
5.定义生成标签函数
1 #生成样本标签 2 def get_label(path): 3 #打开标签文件 4 fh = open("label.txt","w") 5 # 创建一个空的标签文件，准备写入标签信息 6 label = 0 7 # 初始化标签值为0 8 9 #遍历目录及子目录下的文件 10 for root,dirs,files in os.walk(path): 11 # 使用os.walk函数遍历目录及其子目录下的文件和文件夹 12 for subdir in dirs: 13 # 遍历子目录 14 subdir_path = os.path.join(root,subdir)# 获取子目录的完整路径 15 for file in os.listdir(subdir_path): 16 # 遍历子目录中的文件 17 filepath = os.path.join(subdir_path,file) # 获取文件的完整路径 18 imgType = imghdr.what(filepath)# 判断文件类型 19 20 # 将文件路径和对应的标签写入标签文件 21 fh.write(filepath)# 写入文件路径 22 fh.write(":")# 写入分隔符":" 23 fh.write(str(label)) # 写入标签值（将数字转为字符串） 24 fh.write("\n")# 写入换行符，用于分隔每个文件的标签 25 26 label += 1# 标签值自增，用于区分不同类别的文件 27 28 29 fh.close()# 关闭标签文件
6.生成标签
1 get_label("face_images")# 生成样本标签 2 3 print("OK")#若生成成功，则打印OK
7.根据标签，打开对应的图像的灰度图，检查人脸识别情况，并手动删除脏数据
1 import cv2 2 import math #调用math库中的ceil函数来计算图像 3 4 images = [] # 存储图像数据的列表 5 labels = [] # 存储标签数据的列表 6 7 fh = open("label.txt") # 打开标签文件 8 9 for line in fh: # 逐行读取标签文件 10 arr = line.split(":") # 使用冒号":"分割每行的文件路径和标签值 11 img = cv2.imread(arr[0]) # 读取图像文件 12 gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY) # 将图像转换为灰度图像 13 14 images.append(gray) # 将灰度图像添加到图像列表中 15 labels.append(int(arr[1])) # 将标签值转换为整数后添加到标签列表中 16 17 n = math.ceil(len(images) / 10) # 计算图像显示的行数 18 plt.figure(figsize=(10, n)) # 创建一个图像显示窗口，指定宽度为10，高度为n 19 20 # 遍历图像列表并显示图像 21 for i, img in enumerate(images): 22 plt.subplot(n, 10, i+1) # 在图像显示窗口中创建子图 23 plt.imshow(img, "gray") # 显示灰度图像 24 plt.title(labels[i]) # 设置子图标题为对应的标签值 25 plt.axis("off") # 不显示坐标轴 26 plt.tight_layout() # 调整子图布局，确保图像显示完整 27 28 plt.show() # 显示图像窗口
8.保存自己训练的模型
1 import cv2 2 import math 3 4 images = []# 存储图像数据的列表 5 labels = []# 存储标签数据的列表 6 7 fh = open("label.txt")# 打开标签文件 8 9 for line in fh:# 逐行读取标签文件 10 arr = line.split(":")# 使用冒号":"分割每行的文件路径和标签值 11 img = cv2.imread(arr[0])#读取图像 12 gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)#将图像转为灰度图 13 14 images.append(gray)# 将灰度图像添加到图像列表中 15 labels.append(int(arr[1]))# 将标签值转换为整数后添加到标签列表中 16 17 model = cv2.face.EigenFaceRecognizer_create()# 创建一个Eigenfaces人脸识别模型 18 model.save("0611_face_trained.yml")# 保存训练好的模型为"0611_face_trained.yml"文件 19 20 print("OK")#模型保存运行成功，打印OK
9.识别人脸
1 import cv2 2 import matplotlib.pyplot as plt 3 4 model = cv2.face.EigenFaceRecognizer_create() # 创建一个Eigenfaces人脸识别模型 5 model.read("0611_face_trained.yml")#导入训练好的模型 6 7 img_name = "leijun1.jpg" # 导入想要识别的图片 8 img = cv2.imread(img_name) # 读取图片 9 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 将图片转换为灰度图像 10 11 face_detector = cv2.CascadeClassifier("haarcascade_frontalface_alt.xml") # 加载人脸识别检测器 12 13 faces = face_detector.detectMultiScale( 14 gray, #灰度图像，即想要识别的人脸 15 scaleFactor=1.1,#表示每次缩小图像的比例，为1.1 16 minNeighbors=2, #表示图片需要有2个邻近矩形，才能被认为是人脸。 17 minSize=(20, 20),#定义匹配人脸的最小尺寸 18 flags=cv2.CASCADE_SCALE_IMAGE #选择检测模式，为正常比例检测 19 ) # 在灰度图像中检测人脸 20 21 if len(faces) == 1: # 如果检测到一个人脸 22 x, y, w, h = faces[0] # 提取人脸的位置和尺寸 23 face = cv2.resize(gray[y:y+h, x:x+h], (200, 200)) # 调整人脸图像的大小为200x200像素 24 cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 255), 2) # 在原图中标记人脸位置，用红色矩形框表示 25 26 params = model.predict(face) # 使用模型预测人脸标签 27 if params[0] == 0: # 如果预测结果为0 28 print("该图片是雷军！") 29 elif params[0] == 1: # 如果预测结果为1 30 print("该图片是马斯克！") 31 else: # 如果预测结果不是0也不是1 32 print("不是雷军也不是马斯克！此人不认识！") 33 else: # 如果未检测到人脸或检测到多个人脸 34 print("无法识别！") 35 36 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 将图片从BGR格式转换为RGB格式 37 plt.axis("off") # 不显示坐标轴 38 plt.imshow(img) # 显示图片