### 基于Python和OpenCV的人脸识别系统的介绍及步骤 人脸识别系统是一种计算机视觉应用，用于检测和验证人类面孔的存在及其身份。使用Python结合开源库OpenCV能够轻松地搭建一个人脸识别系统。以下是关于如何构建这样一个简单系统的基本流程和技术要点说明。 #### 技术组件概述： 1. **OpenCV** - Open Source Computer Vision Library (开放源码计算机视觉库)，是一个强大的机器学习与图像处理软件包。 2. **Haar级联分类器(Cascade Classifier)** 或者 **深度神经网络(DNNs)** – Haar特征+Adaboost训练得到的XML文件可以快速识别人脸区域;DNN则依赖预训练模型（比如ResNet）来进行端到端的学习。 3. **LBPH(Local Binary Patterns Histogram,局部二值模式直方图)** 等算法——常用于提取面部特征信息以便后续匹配对比。 4. **数据库存储已知人脸模板数据** 5. **Flask/Django**(可选)-为了将此功能集成进Web应用程序中 6. **dlib库**(推荐选择之一) —— 提供了一些非常好用的脸部关键点定位工具以及现成的人脸比对API. 接下来我们将详细介绍每个部分的具体实现方法: --- ##### 第一步 准备环境安装必要的库 首先需要确保电脑上已经装好了 Python 环境并且通过 pip 工具来下载所需的第三方模块. ```bash pip install opencv-python numpy dlib imutils face_recognition flask ``` ##### 第二步 收集样本图片并标注标签 收集足够数量的不同人的正面照，并给每张照片赋予唯一的标识符作为label存放在一个单独目录下方便管理. ##### 第三步 编写加载训练集脚本 train_model.py 该环节主要是读取所有带标签的照片然后经过灰度转换、归一化等一系列预处理之后送入 LBPH 计算机描述子最终形成一组可供检索查询的数据结构保存起来备用。 ```python from sklearn.preprocessing import LabelEncoder import pickle import os import cv2 as cv import numpy as np dataset_path = 'faces_dataset/' # 存放所有人脸样本的位置 detector = cv.CascadeClassifier('haarcascade_frontalface_default.xml') def prepare_data(): encodings = [] labels = [] le = LabelEncoder() for root, dirs, files in os.walk(dataset_path): if len(files)>0 and "DS_Store" not in root : name= root.split('/')[-1] print(f'[INFO] Processing {name}') for file_name in files: image=cv.imread(os.path.join(root,file_name)) gray =cv.cvtColor(image,cv.COLOR_BGR2GRAY) rects = detector.detectMultiScale(gray,scaleFactor=1.1,minNeighbors=5,minSize=(30,30),flags=cv.CASCADE_SCALE_IMAGE ) for x,y,w,h in rects: roi_gray = gray[y:y+h,x:x+w] encoding = recognizer.predict(roi_gray)[1] label=name encodings.append(encoding.tolist()) labels.append(label) return encodings ,labels if __name__ == '__main__': data_encodings,data_labels=prepare_data() lb =LabelEncoder().fit(data_labels) with open('trained_face.pickle','wb')as f: model={'encodings':data_encodings,'names':lb.classes_.tolist()} pickle.dump(model,f) print("[INFO] Model training complete.") ``` 注意上面代码里使用了一个名为 `recognizer` 的变量但是并没有定义它。实际上我们应该先实例化 LocalBinaryPatternsHistogramRecognizer 类再将其赋值给 recognizer 。这部分会在下面继续补充完整。 此外还需要从sklearn引入preprocessing里的LabelEncoder 对象帮助把字符串类型的姓名转化成整数编码形式从而适应大多数机器学习框架的要求。 最后一步就是调用pickle序列化技术持久化的把我们的模型dump下来以后能随时恢复出来参与预测任务！ #####第四步 配置Face Recognizer 并进行测试 test_faces.py 在这一节我们会初始化一个基于LBPH脸部描述子的距离加权K近邻分类法(KNN),接着就可以利用前面生成的结果去查找未知个体的身份啦~ ```python from imutils.video import VideoStream import argparse import datetime import time import cv2 import numpy as np import pickle ap =argparse.ArgumentParser(description="Recognize faces from video stream") parser.add_argument("-t","--tolerance",type=float,default=.6, help='Tolerance level between [0-1]') args=vars(parser.parse_args()) with open ('./model/trained_face.pickle',mode='rb')as fp: recognized=pickle.load(fp) le=np.array(recognized['encodings']) recog_names=list(map(str.strip,recognized['names'])) vs=VideoStream(src=-1).start() #-1表示开启摄像头设备节点编号默认即为内置cameraslot0 time.sleep(.5) while True: frame=vs.read() rgb=cv.cvtColor(frame,cv.COLOR_BGR2RGB) boxes=cv.face.LBPHFaceRecognizer_create(radius=1,neighbors=8,grid_x=8,grid_y=8).detectMultiScale(rgb,scaleFactor=1.1,minNeighbors=5,minSize=(30,30)) names=[] for(x,y,w,h)in boxes: top=y right=x + w bottom=top + h left=x cropped_rgb_frame =rgb[top:bottom,left:right ] # Resize the crop to a fixed size required by DNN or other methods resized_img =cv.resize(cropped_rgb_frame,(96,96)) distances =[] for idx,encoding_in_file in enumerate(le): distance =np.linalg.norm(np.subtract(resized_img.flatten(),encoding_in_file)) distances.append((idx,distance )) matches=[i[0]for i in sorted(distances,key=lambda x :x[-1])] index_min=min(matches ) confidence_score =(matches[index_min]/max([distances[i][1]for i in range(len(matches ))])) if confidence_score < args["tolerance"]: predicted_label=recog_names[index_min] else : predicted_label ="Unknown" names.append(predicted_label) font=cv.FONT_HERSHEY_SIMPLEX text=f'{predicted_label}:{round(confidence_score *100.,ndigits=2)}%' color=(0,255,0) thickness=2 y_top_left=int(y)-(len(text)*8)+10 cv.rectangle(frame ,(left,top),(right,bottom ),color=color,thickness=thickness ) cv.putText(img=frame,text=text org=(left,y_top_left), fontFace=font,fontScale=.6,color=color,lineType=cv.LINE_AA) key=cv.waitKey(1)&0xFF if key==ord("q"): break cv.destroyAllWindows () vs.stop () ``` 以上是一份完整的演示程序清单，在实际项目实施过程中可以根据需求做出相应的调整定制化开发。希望这篇教程对你有所帮助！如果有不明白的地方欢迎留言交流~ ---