极课大数据训练营2021最新完结无密

极课大数据训练营2021最新完结无密
download:网盘链接
手把手教运用python完成人脸辨认
什么是人脸辨认
人脸辨认,是基于人的脸部特征信息停止身份辨认的一种生物辨认技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸停止脸部辨认的一系列相关技术,通常也叫做人像辨认、面部辨认。
目前的人脸辨认技术曾经十分成熟了,还开展成3D人脸辨认。而且如今各大厂商也都提供了人脸辨认的API接口供我们调用,能够说几行代码就能够完成人脸辨认。但是人脸辨认的基本还是基于图像处置。在Python中最强大的图像处置库就是OpenCV。
OpenCV简介
OpenCV是一个基于BSD答应(开源)发行的跨平台计算机视觉库,能够运转在Linux、Windows、Android和Mac OS操作系统上。OpenCV可用于开发实时的图像处置、计算机视觉以及形式辨认程序。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成,同时提供了Python、Ruby、MATLAB等言语的接口,完成了图像处置和计算机视觉方面的很多通用算法。
OpenCV根本运用
装置
pip install opencv-python # 根底库
pip install opencv-contrib-python # 扩展库
pip install opencv-python-headless
复制代码
读取图片
读取和显现图片是最根本的操作了,OpenCV当中运用imread和imshow完成该操作
import cv2 as cv
读取图片,途径不能含有中文名,否则图片读取不出来 image = cv.imread('1111.jpg')
显现图片 cv.imshow('image', image)
等候键盘输入,单位是毫秒,0表示无限等候 cv.waitKey(0)
由于最终调用的是C++对象,所以运用完要释放内存 cv.destroyAllWindows()
复制代码
将图片转为灰度图
OpenCV中数百中关于不同颜色控件之间转换的办法。目前最常用的有三种:灰度、BGR、HSV。
灰度颜色空间是经过去除彩色信息来讲图片转换成灰阶,灰度图会大量减少图像处置中的颜色处置,对人脸辨认很有效。
BGR每个像素都由一个三元数组来表示,分别代码蓝、绿、红三种颜色。python中还有一个库PIL,读取的图片通道是RGB,其实是一样的,只是颜色次第不一样
HSV,H是色彩,S是饱和度,V是黑暗的水平
将图片转换为灰度图
import cv2 as cv
读取图片,途径不能含有中文名,否则图片读取不出来 image = cv.imread('1111.jpg')
cv2读取图片的通道是BGR, PIL读取图片的通道是RGB code选择COLOR_BGR2GRAY,就是BGR to GRAY 【极课大数据训练营2021最新完结无密】gray_image = cv.cvtColor(image, code=cv.COLOR_BGR2GRAY)
显现图片 cv.imshow('image', gray_image)
等候键盘输入,单位是毫秒,0表示无限等候 cv.waitKey(0)
由于最终调用的是C++对象,所以运用完要释放内存 cv.destroyAllWindows()
复制代码
绘制矩形
image = cv.imread('1111.jpg')
x, y, w, h = 50, 50, 80, 80
绘制矩形 cv.rectangle(image, (x, y, x+w, y+h), color=(0, 255, 0), thickness=2)
绘制圆形 cv.circle(image, center=(x + w//2, y + h//2), radius=w//2, color=(0, 0, 255), thickness=2)
cv.imshow('image', image)
cv.waitKey(0)
cv.destroyAllWindows()
复制代码
人脸检测
人脸检测实践上是对图像提取特征,Haar特征是一种用于完成实时人脸跟踪的特征。每个Haar特征都描绘了相邻图像区域的比照形式。比方边、定点和细线都能生成具有判别性的特征。OpenCV给我们提供了Haar特征数据,在cv2/data目录下,运用特征数据的办法def detectMultiScale(self, image, scaleFactor=None, minNeighbors=None, flags=None, minSize=None, maxSize=None)
scaleFactor: 指定每个图像比例减少几图像
minNeighbors: 指定每个候选矩形必需保存几个邻居,值越大阐明精度请求越高
minSize:检测到的最小矩形大小
maxSize: 检测到的最大矩形大小
检测图片中人脸
import os
import cv2 as cv
def face_detect_demo(image):

# 将图片转换为灰度图 gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # 加载特征数据 face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml')) faces = face_detector.detectMultiScale(gray) for x, y, w, h in faces: cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)

读取图片,途径不能含有中文名,否则图片读取不出来 image = cv.imread('2222.jpg')
face_detect_demo(image)
显现图片 cv.imshow('image', image)
等候键盘输入,单位是毫秒,0表示无限等候 cv.waitKey(0)
由于最终调用的是C++对象,所以运用完要释放内存 cv.destroyAllWindows()
复制代码
采用默许参数,检测人脸数据不全,需求调整detectMultiScale函数的参数,调整为faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3)
我们发现除了检测到人脸数据,还有一些其他的脏数据,这个时分能够打印检测出的人脸数据位置和大小
faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3)
for x, y, w, h in faces:
print(x, y, w, h) # 打印每一个检测到的数据位置和大小 cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)

复制代码
从大小中我们看到最大的两个矩形,刚好是人脸数据,其他都是脏数据,那么继续修正函数参数faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3, minSize=(80, 80))
检测视频中人脸
视频就是一张一张的图片组成的,在视频的帧上面反复这个过程就能完成视频中的人脸检测了。视频读取OpenCV为我们提供了函数VideoCapture,参数能够是视频文件或者0(表示调用摄像头)
import cv2 as cv
人脸检测 def face_detect_demo(image):
try: # 将图片转换为灰度图 gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # 加载特征数据 face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml')) faces = face_detector.detectMultiScale(gray) for x, y, w, h in faces: print(x, y, w, h) cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2) except Exception as e: pass

cap = cv.VideoCapture('人脸辨认.mp4')
while cap.isOpened():
flag, frame = cap.read() face_detect_demo(frame) cv.imshow('result', frame) if ord('q') == cv.waitKey(5): break

cap.realse()
cv.destroyAllWindows()
复制代码
这个我们是做的人脸辨认,怎样把喜好都辨认了,这么先进吗?很显然这不太契合我们的请求,喜好只能藏在心里,你给我检测出来就不行了。所以我们必需要停止优化处置。OpenCV为我们提供了一个机器学习的小模块,我们能够锻炼它,让它只辨认我们需求的局部,不要乱猜想。
锻炼数据
锻炼数据就是我们把一些图片交给锻炼模型,让模型熟习她,这样它就能愈加精确的辨认相同的图片。锻炼的数据普通我们能够从网上搜索:人脸辨认数据库,或者从视频中保管美帧的数据作为锻炼集。一切的人脸辨认算法在他们的train()函数中都有两个参数:图像数组和标签数组。这些标签标示停止辨认时分的人脸ID,依据ID能够晓得被辨认的人是谁。
获取锻炼集
从视频中每隔5帧截取一个图片,保管成图片
import cv2
cap = cv2.VideoCapture('人脸辨认.mp4')
number = 100
count = 1
while cap.isOpened() and number > 0:
flag, frame = cap.read() if not flag: break if count % 5 == 0: # 依照视频图像中人脸的大致位置停止裁剪,只取人脸局部 img = frame[70:280, 520:730] cv2.imwrite('data/{}.png'.format(number), img) number -= 1 count += 1

cap.release()
cv2.destroyAllWindows()
复制代码
运用LBPH锻炼模型
def getImageAndLabels(path_list):
faces = [] ids = [] image_paths = [os.path.join(path_list, f) for f in os.listdir(path_list) if f.endswith('.png')] face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml')) for image in image_paths: img = cv.imread(image) gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) faces = face_detector.detectMultiScale(gray) _id = int(os.path.split(image)[1].split('.')[0]) for x, y, w, h in faces: faces.append(gray[y:y+h, x:x+w]) ids.append(_id) return faces, ids

faces, ids = getImageAndLabels('data')
锻炼 recognizer = cv.face.LBPHFaceRecognizer_create()
recognizer.train(faces, np.array(ids))
保管锻炼特征 recognizer.write('trains/trains.yml')
复制代码
基于LBPH的人脸辨认
LBPH将检测到的人脸分为小单元,并将其与模型中的对应单元停止比拟,对每个区域的匹配值产生一个直方图。调整后的区域中调用predict函数,该函数返回两个元素的数组,第一个元素是所辨认的个体标签,第二个元素是置信度评分。一切的算法都有一个置信度评分阈值,置信度评分用来权衡图像与模型中的差距,0表示完整匹配。LBPH有一个好的辨认参考值要低于50。根本步骤为:
cv.VideoCapture读取视频
Haar算法检测人脸数据
基于LBPH锻炼集得到精确人脸数据,并输出标志此人是谁
按置信度取精确度高的人脸标志出来
import os
import cv2 as cv
def face_detect_demo(image):
try: global number # 将图片转换为灰度图 gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # 加载特征数据 faces = face_detector.detectMultiScale(gray, scaleFactor=1.02, minNeighbors=3) for x, y, w, h in faces: # 获取置信度,大于80表示取值错误 _id, confidence = recognizer.predict(gray[y:y + h, x:x + w]) if confidence < 80: cv.rectangle(image, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2) except Exception as e: pass

def check_face():
cap = cv.VideoCapture('人脸辨认.mp4') while cap.isOpened(): flag, frame = cap.read() if not flag: break face_detect_demo(frame) cv.imshow('img', frame) cv.waitKey(2) cv.destroyAllWindows()

if name == '__main__':
# 加载锻炼数据文件 recognizer = cv.face.LBPHFaceRecognizer_create() recognizer.read('trains/trains.yml') face_detector = cv.CascadeClassifier(os.path.join(cv.data.haarcascades, 'haarcascade_frontalface_default.xml')) check_face()

复制代码
总结
经过上面一步步的学习,你是不是对OpenCV人脸辨认有个根本的认识了呢?但是我们也看到了,整个人脸辨认的主要算法还是基于Haar,而且精确度并不是特别高,主要是会检测出很多非人脸的数据。LBPH是让我们给某个人脸停止标志,通知我们他是谁,并没有进步实践的检测精确度。如今机器学习是十分火爆的,基于OpenCV的机器学习人脸辨认也准确度也很高,下次我们在来比照几种机器学习人脸辨认的库。

    推荐阅读