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-----
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-----
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-----
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 |
|