用Python实现简单的人脸识别，10分钟搞定！（附源码）

我们经常听说人工智能，然而，很少有小伙伴真正应用了人工智能技术。为了让大家感受人工智能的魅力，今天，我们就来简单学习一下人脸识别技术。

今天，我们来学习用Python实现简单的人脸识别技术！毕竟，我认识电脑，电脑认识我，才配称之为我的电脑嘛！哈哈~

 一、首先

梳理一下实现人脸识别需要进行的步骤：

 流程大致如此，在此之前，要先让人脸被准确的找出来，也就是能准确区分人脸的分类器，在这里我们可以用已经训练好的分类器，网上种类较全，分类准确度也比较高，我们也可以节约在这方面花的时间。

 既然用的是python，那自然少不了包的使用了，在看代码之前，我们先将整个项目所需要的包罗列一下：

l CV2(Opencv)：图像识别，摄像头调用

l os：文件操作

l numpy：NumPy(Numerical Python) 是Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库

l PIL：Python Imaging Library，Python平台事实上图像处理的标准库

 二、人脸样本采集

1. 对照人脸获取

#-----获取人脸样本-----

import cv2 #调用笔记本内置摄像头，参数为0，如果有其他的摄像头可以调整参数为1,2 cap = cv2.VideoCapture(0) #调用人脸分类器，要根据实际路径调整3 face_detector = cv2.CascadeClassifier(r'X:/Users/73950/Desktop/FaceRec/haarcascade_frontalface_default.xml')  #待更改 #为即将录入的脸标记一个id face_id = input('\n User data input,Look at the camera and wait ...') #sampleNum用来计数样本数目 count = 0   while True:        #从摄像头读取图片     success,img = cap.read()        #转为灰度图片，减少程序符合，提高识别度     if success is True:         gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)     else:           break     #检测人脸，将每一帧摄像头记录的数据带入OpenCv中，让Classifier判断人脸     #其中gray为要检测的灰度图像，1.3为每次图像尺寸减小的比例，5为minNeighbors     faces = face_detector.detectMultiScale(gray, 1.3, 5)       #框选人脸，for循环保证一个能检测的实时动态视频流     for (x, y, w, h) in faces:         #xy为左上角的坐标,w为宽，h为高，用rectangle为人脸标记画框         cv2.rectangle(img, (x, y), (x+w, y+w), (255, 0, 0))         #成功框选则样本数增加         count += 1          #保存图像，把灰度图片看成二维数组来检测人脸区域         #(这里是建立了data的文件夹，当然也可以设置为其他路径或者调用数据库)         cv2.imwrite("data/User."+str(face_id)+'.'+str(count)+'.jpg',gray[y:y+h,x:x+w])         #显示图片         cv2.imshow('image',img)               #保持画面的连续。waitkey方法可以绑定按键保证画面的收放，通过q键退出摄像     k = cv2.waitKey(1)            if k == '27':         break                #或者得到800个样本后退出摄像，这里可以根据实际情况修改数据量，实际测试后800张的效果是比较理想的     elif count >= 800:         break   #关闭摄像头，释放资源 cap.realease() cv2.destroyAllWindows()

 经博主测试，在执行下面步骤：

“face_detector = cv2.CascadeClssifier(r'C:\Users\admin\Desktop\python\data\haarcascade_frontalface_default.xml')”此语句时，实际路径中的目录名尽量不要有中文字符出现，否则容易报错。

做完这一步，你的电脑就能看到你啦！

2. 通过算法建立对照模型

本次所用的算法为opencv中所自带的算法，opencv较新版本中（我使用的是2.4.8）提供了一个FaceRecognizer类，里面有相关的一些人脸识别的算法及函数接口，其中包括三种人脸识别算法（我们采用的是第三种）：

l  Eigen face

l  Fisher face

l  LBPH Face Recognizer

 LBP是一种特征提取方式，能提取出图像的局部的纹理特征，最开始的LBP算子是在3X3窗口中，取中心像素的像素值为阀值，与其周围八个像素点的像素值比较，若像素点的像素值大于阀值，则此像素点被标记为1，否则标记为0。这样就能得到一个八位二进制的码，转换为十进制即LBP码，于是得到了这个窗口的LBP值，用这个值来反映这个窗口内的纹理信息。

LBPH是在原始LBP上的一个改进，在opencv支持下我们可以直接调用函数直接创建一个LBPH人脸识别的模型。

我们在前一部分的同目录下创建一个Python文件，文件名为trainner.py，用于编写数据集生成脚本。同目录下，创建一个文件夹，名为trainner，用于存放我们训练后的识别器。

#-----建立模型、创建数据集-----#-----建立模型、创建数据集-----

import os import cv2 import numpy as np from PIL import Image #导入pillow库，用于处理图像 #设置之前收集好的数据文件路径 path = 'data'   #初始化识别的方法 recog = cv2.face.LBPHFaceRecognizer_create()   #调用熟悉的人脸分类器 detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')   #创建一个函数，用于从数据集文件夹中获取训练图片,并获取id #注意图片的命名格式为User.id.sampleNum def get_images_and_labels(path):     image_paths = [os.path.join(path,f) for f in os.listdir(path)]     #新建连个list用于存放     face_samples = []     ids = []       #遍历图片路径，导入图片和id添加到list中     for image_path in image_paths:           #通过图片路径将其转换为灰度图片         img = Image.open(image_path).convert('L')           #将图片转化为数组         img_np = np.array(img,'uint8')           if os.path.split(image_path)[-1].split(".")[-1] != 'jpg':             continue           #为了获取id，将图片和路径分裂并获取         id = int(os.path.split(image_path)[-1].split(".")[1])         faces = detector.detectMultiScale(img_np)           #将获取的图片和id添加到list中         for(x,y,w,h) in faces:             face_samples.append(img_np[y:y+h,x:x+w])             ids.append(id)     return face_samples,ids   #调用函数并将数据喂给识别器训练 print('Training...') faces,ids = get_images_and_labels(path) #训练模型 recog.train(faces,np.array(ids)) #保存模型 recog.save('trainner/trainner.yml')

 这就让电脑认识到你是与众不同的那颗星~

 3. 识别人脸

检测，校验，输出其实都是识别的这一过程，与前两个过程不同，这是涉及实际使用的过程，所以我们把他整合放在一个统一的一个文件内。

#-----检测、校验并输出结果----- 

import cv2 #准备好识别方法 recognizer = cv2.face.LBPHFaceRecognizer_create()   #使用之前训练好的模型 recognizer.read('trainner/trainner.yml')   #再次调用人脸分类器 cascade_path = "haarcascade_frontalface_default.xml" face_cascade = cv2.CascadeClassifier(cascade_path)   #加载一个字体，用于识别后，在图片上标注出对象的名字 font = cv2.FONT_HERSHEY_SIMPLEX   idnum = 0 #设置好与ID号码对应的用户名，如下，如0对应的就是初始   names = ['初始','admin','user1','user2','user3']   #调用摄像头 cam = cv2.VideoCapture(0) minW = 0.1*cam.get(3) minH = 0.1*cam.get(4)   while True:     ret,img = cam.read()     gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)     #识别人脸     faces = face_cascade.detectMultiScale(             gray,             scaleFactor = 1.2,             minNeighbors = 5,             minSize = (int(minW),int(minH))             )     #进行校验     for(x,y,w,h) in faces:         cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)         idnum,confidence = recognizer.predict(gray[y:y+h,x:x+w])           #计算出一个检验结果         if confidence < 100:             idum = names[idnum]             confidence = "{0}%",format(round(100-confidence))         else:             idum = "unknown"             confidence = "{0}%",format(round(100-confidence))           #输出检验结果以及用户名         cv2.putText(img,str(idum),(x+5,y-5),font,1,(0,0,255),1)         cv2.putText(img,str(confidence),(x+5,y+h-5),font,1,(0,0,0),1)           #展示结果         cv2.imshow('camera',img)         k = cv2.waitKey(20)         if k == 27:             break   #释放资源 cam.release() cv2.destroyAllWindows()

现在，你的电脑就能识别出你来啦！

通过其他组合，也可以实现开机检测等多种功能，你学会了吗？

 写在最后

经过博主审稿和测试，在这个过程中，我出现一些容易出现问题的地方：

（1）版本

解决方法：经过博主无数次的失败，提示大家最好安装python2.7，可以直接使用 pip install numpy 以及pip install opencv-python安装numpy 以及对应python版本的opencv。

如果使用的是Anaconda2，pip相关命令可在开始菜单Anaconda2文件夹下的Anaconda Prompt中输入。

（2）提示“module' object has no attribute 'face'”：

解决方法：可以输入 pip install opencv-contrib-python解决，如果提示需要commission，可以在后面加上 --user,即 pip install opencv-contrib-python --user

文章来源：网络  版权归原作者所有

上文内容不用于商业目的，如涉及知识产权问题，请权利人联系小编，我们将立即处理