### 使用 OpenCV 和 FaceNet 实现人脸识别 要通过 OpenCV 和 FaceNet 实现人脸识别，可以按照以下方法完成。此过程涉及多个阶段，包括人脸检测、特征提取以及最终的人脸匹配。 #### 1. 安装依赖库 为了运行该程序，需要安装必要的 Python 库： ```bash pip install opencv-python-headless tensorflow keras mtcnn numpy scikit-learn ``` --- #### 2. 导入所需模块并初始化模型 以下是导入所需的模块和加载预训练权重的代码片段： ```python import cv2 import numpy as np from sklearn.svm import SVC from sklearn.preprocessing import LabelEncoder from mtcnn.mtcnn import MTCNN from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Dense, Dropout from tensorflow.keras.applications.inception_resnet_v2 import InceptionResNetV2 ``` 定义 `face_encoder` 并加载 FaceNet 的权重文件： ```python def load_facenet_model(): input_tensor = Input(shape=(160, 160, 3)) base_model = InceptionResNetV2(weights=None, include_top=False, pooling='avg', input_shape=(160, 160, 3)) output = Dropout(0.5)(base_model.output) output = Dense(128)(output) model = Model(inputs=input_tensor, outputs=output) model.load_weights("../facenet_model/facenet_keras_weights.h5") # 替换为实际路径[^2] return model face_encoder = load_facenet_model() face_detector = MTCNN() # 初始化 MTCNN 检测器用于定位脸部区域 ``` --- #### 3. 图像预处理与人脸检测 在输入图像中找到人脸的位置，并将其裁剪成适合 FaceNet 输入的形式（160×160 像素大小）。如果未发现任何面部，则返回 None 或跳过当前帧。 ```python def detect_faces(image): faces = [] results = face_detector.detect_faces(image) # 调用 MTCNN 执行检测操作 for result in results: x, y, w, h = result['box'] if w > 0 and h > 0: # 验证边界框有效性 cropped_face = image[y:y+h, x:x+w] resized_face = cv2.resize(cropped_face, (160, 160)) # 将其调整到固定尺寸以便后续编码 normalized_face = resized_face.astype('float32') / 255.0 # 归一化像素值范围至 [0, 1] faces.append(normalized_face) return np.array(faces) image = cv2.imread("path_to_image.jpg") detected_faces = detect_faces(image) if detected_faces.shape[0] == 0: print("No faces found.") else: embeddings = encode_faces(face_encoder, detected_faces) # 对每张检测到的脸部计算嵌入向量 ``` --- #### 4. 提取人脸特征向量 利用已加载好的 FaceNet 编码器来获取每个人脸对应的 128 维度特征表示形式。 ```python def encode_faces(encoder, images): encoded_images = encoder.predict(images) return encoded_images embeddings = encode_faces(face_encoder, detected_faces) print(embeddings.shape) # 输出形状应类似于 `(n_samples, 128)` ``` --- #### 5. 训练分类器 基于收集的数据集中的标签及其对应的人脸嵌入向量构建支持向量机(SVM)，从而区分不同个体的身份类别。 ```python labels = ["PersonA", "PersonB"] * int(len(embeddings)/2) # 示例数据；真实场景下需替换为此处省略的具体身份标注列表项 label_encoder = LabelEncoder().fit(labels) encoded_labels = label_encoder.transform(labels) classifier = SVC(kernel="linear", probability=True).fit(embeddings, encoded_labels) ``` --- #### 6. 测试新样本 对于未知测试对象的照片执行相同流程——先探测再编码最后预测所属群体归属情况。 ```python test_image = cv2.imread("another_test_photo.png") new_detected_faces = detect_faces(test_image) if new_detected_faces.size != 0: test_embeddings = encode_faces(face_encoder, new_detected_faces) predictions = classifier.predict_proba(test_embeddings)[0] for i, person_name in enumerate(label_encoder.classes_): confidence = round(predictions[i]*100, 2) print(f"{person_name}: {confidence}% Confidence") predicted_label_index = np.argmax(predictions) recognized_person = label_encoder.inverse_transform([predicted_label_index])[0] cv2.putText(test_image, recognized_person, tuple(new_detected_faces[0]['keypoints']['left_eye']), fontFace=cv2.FONT_HERSHEY_SIMPLEX, color=(0, 255, 0), thickness=2, lineType=cv2.LINE_AA) cv2.imshow("Recognized Person", test_image); cv2.waitKey(); cv2.destroyAllWindows(); ``` 以上即完成了整个端到端应用案例描述[^1]. ---