25行Python代码实现人脸识别 _python开发

本文概述

OpenCV的
安装OpenCV
了解守则
检查结果
扩展到网络摄像头
想知道更多？

在本文中, 我们将介绍一种使用Python和开源库OpenCV进行面部识别的简单方法。

在评论部分提出任何问题之前：不要跳过本文, 而只是尝试运行代码。你必须了解代码的作用, 不仅要正确运行它, 还要对它进行故障排除。确保使用OpenCV v2。具有可正常使用的网络摄像头, 以便此脚本可以正常运行。复查其他评论和问题, 因为你的问题可能已经解决。谢谢。

免费红利：单击此处以获得Python人脸检测和OpenCV示例迷你指南, 该指南向你展示了现实世界中Python计算机视觉技术的实用代码示例。
注意：另请查看我们有关使用Python进行人脸检测的更新教程。
OpenCV的 OpenCV是最受欢迎的计算机视觉库。最初使用C / C ++编写, 现在提供了Python绑定。
OpenCV使用机器学习算法搜索图片中的人脸。由于面孔非常复杂, 因此没有一项简单的测试可以告诉你是否找到了面孔。相反, 有成千上万个必须匹配的小模式和功能。该算法将识别面部的任务分解为成千上万个较小的, 一口大小的任务, 每个任务都易于解决。这些任务也称为分类器。
对于诸如人脸之类的东西, 你可能具有6, 000个或更多的分类器, 所有这些分类器必须匹配才能被检测到人脸(当然, 在误差范围内)。但是其中存在一个问题：对于人脸检测, 该算法从图片的左上方开始, 然后向下移动跨小块数据, 查看每个块, 不断询问：“这是一张脸吗？ ……这是一张脸吗？ ……这是一张脸吗？”由于每个块有6, 000个或更多测试, 因此你可能需要进行数百万次计算, 这将使你的计算机停顿下来。
为了解决这个问题, OpenCV使用级联。什么是级联？最好的答案可以在字典中找到：“一个瀑布或一系列瀑布”。
像一系列瀑布一样, OpenCV级联将检测面部的问题分为多个阶段。对于每个块, 它都会进行非常粗略和快速的测试。如果通过, 它将进行更详细的测试, 依此类推。该算法可能有30到50个这样的阶段或级联, 并且只有在所有阶段都通过后才能检测到人脸。
这样做的好处是, 大部分图片会在前几个阶段返回负值, 这意味着该算法不会浪费时间测试其上的所有6, 000个功能。现在可以实时进行人脸检测, 而无需花费数小时。
级联实践
尽管理论听起来很复杂, 但在实践中却很容易。级联本身只是一堆XML文件, 其中包含用于检测对象的OpenCV数据。你可以使用所需的级联来初始化代码, 然后为你完成工作。
由于人脸检测很常见, 因此OpenCV带有许多内置的级联, 用于检测从脸到眼睛到手到腿的所有东西。甚至还有非人类事物的级联。例如, 如果你经营一家香蕉店, 并想追踪偷香蕉的人, 那么这个家伙为此而建了一个！
安装OpenCV 首先, 你需要为你的操作系统找到正确的安装文件。
我发现安装OpenCV是任务中最困难的部分。如果遇到奇怪的无法解释的错误, 则可能是由于库冲突, 32/64位差异等引起的。我发现最简单的方法是仅使用Linux虚拟机并从头开始安装OpenCV。
完成安装后, 可以通过启动Python会话并键入以下命令来测试其是否有效：
> > >

> > > import cv2 > > >

如果没有任何错误, 可以继续进行下一部分。
了解守则让我们分解一下实际代码, 你可以从存储库中下载该代码。抓取face_detect.py脚本, abba.png图片和haarcascade_frontalface_default.xml。

# Get user supplied values imagePath = sys.argv[1] cascPath = sys.argv[2]

你首先将图像和级联名称作为命令行参数传入。我们将使用ABBA图像以及默认级联来检测OpenCV提供的面部。

# Create the haar cascade faceCascade = cv2.CascadeClassifier(cascPath)

现在, 我们创建级联并使用面部级联对其进行初始化。这样会将面部级联加载到内存中, 以便可以使用。请记住, 级联只是一个XML文件, 其中包含用于检测人脸的数据。

# Read the image image = cv2.imread(imagePath) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

在这里, 我们读取图像并将其转换为灰度。 OpenCV中的许多操作都是在灰度下完成的。

# Detect faces in the image faces = faceCascade.detectMultiScale( gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30), flags = cv2.cv.CV_HAAR_SCALE_IMAGE )

此功能可检测实际的面孔, 并且是我们代码的关键部分, 因此让我们来看一下这些选项：

detectMultiScale函数是检测对象的常规函数??。由于我们是在面部层叠上调用它的, 因此它可以检测到。
第一个选项是灰度图像。
第二个是scaleFactor。由于某些人脸可能更靠近相机, 因此它们看起来会比背面的人脸大。比例因子对此进行了补偿。
该检测算法使用移动窗口来检测对象。 minNeighbors定义在声明当前脸部之前在当前对象附近检测到多少个对象。同时, minSize给出每个窗口的大小。

注意：我采用了这些字段的常用值。在现实生活中, 你将尝试使用不同的窗口大小, 比例因子等值, 直到找到最适合你的值。
该函数返回一个矩形列表, 它认为在其中找到了脸。接下来, 我们将遍历它认为找到了什么的地方。

print "Found {0} faces!".format(len(faces))# Draw a rectangle around the faces for (x, y, w, h) in faces: cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)

此函数返回4个值：矩形的x和y位置以及矩形的宽度和高度(w, h)。
我们使用这些值通过内置的square()函数绘制一个矩形。

cv2.imshow("Faces found", image) cv2.waitKey(0)

最后, 我们显示图像并等待用户按下一个键。
移除广告
检查结果让我们对照ABBA的照片进行测试：

$ python face_detect.py abba.png haarcascade_frontalface_default.xml

文章图片
那行得通。另一张照片怎么样：

文章图片
那……不是一张脸。让我们再试一次。我更改了参数, 发现将scaleFactor设置为1.2可以消除错误的表情。

文章图片
发生了什么？
好吧, 第一张照片是用高质量的相机近距离拍摄的。第二个似乎是从远处拿来的, 可能还带了手机。这就是为什么必须修改scaleFactor的原因。正如我所说, 你必须根据具体情况设置算法, 以避免误报。
请注意, 由于这是基于机器学习的, 因此结果永远不会100％准确。在大多数情况下, 你将获得足够好的结果, 但有时该算法会将不正确的对象识别为面部。
最终代码可以在这里找到。
扩展到网络摄像头如果要使用网络摄像头怎么办？ OpenCV从网络摄像头获取每个帧, 然后你可以通过处理每个帧来检测面部。你将需要一台功能强大的计算机, 但是只要我不跳舞太多, 我的5岁笔记本电脑似乎还可以。
更新：下一篇文章上线。使用网络摄像头检查Python中的人脸检测！
想知道更多？免费红利：单击此处以获得Python人脸检测和OpenCV示例迷你指南, 该指南向你展示现实世界中的Python计算机视觉技术的实用代码示例。
我将在我即将出版的《面向科学和工程的Python》一书中对此进行详细介绍, 该书目前在Kickstarter上。对于感兴趣的人, 我还将介绍机器学习。
【25行Python代码实现人脸识别】谢谢！