人脸识别|人脸识别宿舍门禁系统(python qt opencv带数据库) pyqt5|opencv|人脸检测|门禁系统

制作过程

最新更新其他版本基于retinaface,卷神经网络余弦相似度人脸匹配
本文章版本预览
- 点击下载源代码
- 视频效果
一.界面设计使用Qt Designer（源代码内有设计文件ui):
二.人脸检测模块 opencv-dnn
三.人脸识别模块 LBPHFaceRecognizer
四.数据库 sqlite

最新更新其他版本基于retinaface,卷神经网络余弦相似度人脸匹配文章：
retinaface+arcfae实现的人脸系统人脸考勤人脸打卡宿舍管理人脸信息管理系统
不同版本打包程序：
人脸识别信息系统+数据库+ui设计+全代码
人脸识别+活体检测+信息查询.
人脸识别人脸眼镜贴图人脸跟踪
神经网络人脸考勤系统，信息录入，考勤
人脸识别学生信息登记系统 pyqt5 opencv sql
qq群686070107
本文章版本预览点击下载源代码视频效果
人脸识别宿舍门禁系统( pyqt opencv带数据库）
【人脸识别|人脸识别宿舍门禁系统(python qt opencv带数据库)】
一.界面设计使用Qt Designer（源代码内有设计文件ui):

文章图片

文章图片

二.人脸检测模块 opencv-dnn OpenCV在DNN模块中提供了基于残差SSD网络训练的人脸检测模型，该模型分别提供了tensorflow版本，caffe版本，torch版本模型文件。
其中tensorflow版本的模型做了更加进一步的压缩优化，大小只有2MB左右，非常适合移植到移动端使用，实现人脸检测功能，而caffe版本的是fp16的浮点数模型，精准度更好。
对比传统人脸检测，同样一张图像，在OpenCV HAAR与LBP级联检测器中必须通过不断调整参数才可以检测出全部人脸，而通过使用该模型，基本在Python语言中基于OpenCV后台的推断，在25毫秒均可以检测出结果，网络支持输入size大小为300x300。

def getface(img,net): # 置信度参数，高于此数才认为是人脸，可调 confidence = 0.3 (h, w) = img.shape[:2]# 获取图像的高和宽，用于画图 blob = cv2.dnn.blobFromImage(cv2.resize(img, (300, 300)), 1.0,(300, 300), (104.0, 177.0, 123.0)) # blobFromImage待研究 net.setInput(blob) # 预测结果 detections = net.forward() maxFace = [] # 在原图加上标签和框 for i in range(0, detections.shape[2]): # 获得置信度 res_confidence = detections[0, 0, i, 2] # 过滤掉低置信度的像素 if res_confidence > confidence: # 获得框的位置 box = detections[0, 0, i, 3:7] * np.array([w, h, w, h]) (startX, startY, endX, endY) = box.astype("int") startX = 0 if startX<0 else startX startY = 0 if startY<0 else startY if endX>w: return if endY>h: return print(startX, startY, endX, endY) return startX, startY, endX, endY

三.人脸识别模块 LBPHFaceRecognizer 基于LBP算子的人脸识别算法：
LBP被运用于计算机人脸识别领域时，提取出来的人脸特征通常是以LBP直方图向量进行表达的。
1. 对预处理后的人脸图像进行分块
2. 对分块后的各小块图像区域进行LBP特征提取变换
3. 使用LBP直返图向量作为人脸特征的描述。
一般分块数越多，人脸表达的效果就会越好，但是分块数越多，会直接导致特征向量维数的增加，会增加计算的复杂度。对每个分块计算LBP值的直方图，然后将所有分块直方图进行连接得到最终的直方图特征向量，这个特征向量代表原来的人脸图像，可以用来描述整体图像。