### 使用 Python 和 OpenCV 实现人脸识别的完整示例 以下是基于提供的引用内容和专业知识构建的一个完整的示例代码，涵盖了人脸录入、检测、训练以及标注姓名的功能。 #### 1. 文件结构设计 为了便于管理和扩展，建议按照以下文件结构组织项目： ``` project/ │ ├── images/ # 存放采集的人脸图像 │ ├── user1/ │ │ └── *.jpg # User1 的多张人脸照片 │ ├── user2/ │ └── *.jpg # User2 的多张人脸照片 │ ├── face_features.yml # 训练后的人脸特征文件 ├── haarcascade_frontalface_default.xml # Haar 级联分类器文件 └── main.py # 主程序入口 ``` --- #### 2. 完整代码实现 ```python import cv2 import numpy as np from sklearn.preprocessing import LabelEncoder import os import yaml # 加载Haar级联分类器 cascade_path = 'haarcascade_frontalface_default.xml' face_cascade = cv2.CascadeClassifier(cascade_path) def collect_faces(image_dir, cascade): """ 收集指定目录下所有用户的面部数据。 :param image_dir: 图像存储路径 :param cascade: Haar级联分类器对象 :return: 面部像素数组和对应的标签ID """ faces = [] ids = [] for subdir in os.listdir(image_dir): # 遍历每个子目录（即每个人） subpath = os.path.join(image_dir, subdir) if not os.path.isdir(subpath): continue label_id = int(subdir.split('_')[0]) # 提取用户ID（假设目录名为`<id>_name`） for filename in os.listdir(subpath): img_path = os.path.join(subpath, filename) gray_img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) # 转灰度图 detected_faces = cascade.detectMultiScale(gray_img, scaleFactor=1.1, minNeighbors=5) for (x, y, w, h) in detected_faces: roi_gray = gray_img[y:y+h, x:x+w] # 截取脸部区域 resized_roi = cv2.resize(roi_gray, (100, 100)) # 统一大小 faces.append(resized_roi) ids.append(label_id) return faces, ids def train_model(faces, labels): """ 训练LBPH人脸识别模型。 :param faces: 所有人脸图像列表 :param labels: 对应的标签列表 :return: 已训练好的识别器 """ recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.train(faces, np.array(labels)) return recognizer def save_trained_data(recognizer, names_list, output_file='face_features.yml'): """ 将训练后的模型和名称映射保存至YAML文件。 :param recognizer: 训练完成的识别器 :param names_list: 用户名列表 :param output_file: 输出文件路径 """ data = { 'recognizer': recognizer, 'names': names_list } with open(output_file, 'w') as f: yaml.dump(data, f) def load_trained_data(input_file='face_features.yml'): """ 从YAML文件加载已训练的数据。 :param input_file: 输入文件路径 :return: 训练好的识别器和用户名列表 """ with open(input_file, 'r') as f: loaded_data = yaml.safe_load(f) recognizer = cv2.face.LBPHFaceRecognizer_create() recognizer.read('trained_recognizer.yml') names_list = loaded_data['names'] return recognizer, names_list def recognize_face(video_capture, recognizer, names_list): """ 实时识别人脸并标注姓名。 :param video_capture: 视频捕获对象 :param recognizer: 已训练好的识别器 :param names_list: 用户名列表 """ while True: ret, frame = video_capture.read() if not ret: break gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) detected_faces = face_cascade.detectMultiScale(gray_frame, scaleFactor=1.1, minNeighbors=5) for (x, y, w, h) in detected_faces: roi_gray = gray_frame[y:y+h, x:x+w] id_, confidence = recognizer.predict(roi_gray) if confidence < 70: # 可调整阈值以优化匹配精度 name = names_list[id_] else: name = "Unknown" cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.putText(frame, name, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) cv2.imshow("Face Recognition", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break video_capture.release() cv2.destroyAllWindows() if __name__ == "__main__": # 数据收集阶段 image_directory = './images' # 替换为实际路径 all_faces, all_ids = collect_faces(image_directory, face_cascade) # 编码标签 le = LabelEncoder() encoded_labels = le.fit_transform(all_ids) names_mapping = list(le.classes_) # 获取原始名字列表 # 模型训练阶段 trained_recognizer = train_model(all_faces, encoded_labels) trained_recognizer.save('trained_recognizer.yml') # 保存训练结果 save_trained_data(trained_recognizer, names_mapping) # 实时识别阶段 cap = cv2.VideoCapture(0) # 启动摄像头 loaded_recognizer, loaded_names = load_trained_data() try: recognize_face(cap, loaded_recognizer, loaded_names) except KeyboardInterrupt: pass ``` --- ### 关键点说明 1. **人脸采集** 利用 `cv2.CascadeClassifier` 进行人脸检测，并截取出感兴趣的脸部区域[^3]。 2. **模型训练** 使用 OpenCV 的 LBPH（Local Binary Patterns Histograms）算法进行训练[^4]。此方法适合小型数据集且计算效率较高。 3. **实时识别与标注** 在视频流中逐帧检测人脸，并通过预训练模型预测身份。最终将预测的名字绘制在矩形框上方[^2]。 4. **持久化存储** 使用 YAML 格式保存训练后的模型参数及用户信息以便后续调用。 --- ###