本次我们来尝试识别视频中的人脸，识别前需要跑上一次的代码，大家先打开备用~建筑兔零基础自学python记录20|实战人脸识别项目——数据训练09-CSDN博客

     还是先上源代码，依旧很长但一部分是我们学过的代码了。在上一次分析结构的基础上，这次我们先来理解其整体结构~

import cv2
import os

recogizer=cv2.face.LBPHFaceRecognizer_create()
recogizer.read('M:/python/workspace/PythonProject/trainer/trainer.yml')
names=[]
warningtime = 0

def face_detect_demo(img):
    gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    face_detector=cv2.CascadeClassifier('M:/python/pythoninstall/Lib/site-packages/cv2/data/haarcascade_frontalface_alt.xml')
    face=face_detector.detectMultiScale(gray)
    for x,y,w,h in face:
        cv2.rectangle(img,(x,y),(x+w,y+h),color=(0,0,255),thickness=2)
        cv2.circle(img,center=(x+w//2,y+h//2),radius=w//2,color=(0,255,0),thickness=1)
        ids, confidence = recogizer.predict(gray[y:y + h, x:x + w])
        #print('标签id:',ids,'置信评分：', confidence)
        if confidence > 80:
            global warningtime
            warningtime += 1
            cv2.putText(img, 'unknown', (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)
        else:
            cv2.putText(img,str(names[ids-1]), (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)
    cv2.imshow('result',img)

def name():
    path = 'M:/python/workspace/PythonProject/face/'
    imagePaths=[os.path.join(path,f) for f in os.listdir(path)]
    for imagePath in imagePaths:
       name = str(os.path.split(imagePath)[1].split('.',2)[1])
       names.append(name)

cap=cv2.VideoCapture('test3.mp4')
name()
while True:
    flag,frame=cap.read()
    if not flag:
        break
    face_detect_demo(frame)
    if ord(' ') == cv2.waitKey(10):
        break
cv2.destroyAllWindows()
cap.release()
print(names)

 1 代码结构：

可以看到整个代码主要分为5大部分：

 

2 视频人脸检测情况：

这一次我们先尝试运行代码看看识别情况如何~本次运行需要先运行上一次的代码（数据训练09），我在face人脸学习文件夹里放入了两张照片，并获得了一个trainer.yml的训练结果。

然后运行本次代码，可得下面视频结果：

    可以看到识别出了目标人脸，其余都标注为unknown。

 

3.具体代码解读

 我们把之前出现过的代码先进行一下标注：

import cv2
#导入与操作系统交互 os 模块
import os

#创建一个 LBPH（局部二值模式直方图）人脸识别器对象，用于训练和识别人脸。
recogizer=cv2.face.LBPHFaceRecognizer_create()
#读取训练好的人脸识别模型yml文件
recogizer.read('M:/python/workspace/PythonProject/trainer/trainer.yml')
#初始化一个空列表names，用于存储人脸对应的名称。
names=[]
#初始化一个全局变量warningtime，用于记录未知人脸出现的次数。
warningtime = 1

#自定义人脸识别
def face_detect_demo(img):
    #彩图转化为灰图
    gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #调用人脸识别分类器
    face_detector=cv2.CascadeClassifier('M:/python/pythoninstall/Lib/site-packages/cv2/data/haarcascade_frontalface_alt.xml')
    #灰图中检测人脸
    face=face_detector.detectMultiScale(gray)
    for x,y,w,h in face:
        #原彩图中用红色矩形框人脸
        cv2.rectangle(img,(x,y),(x+w,y+h),color=(0,0,255),thickness=2)
        #人脸中心画绿圆
        cv2.circle(img,center=(x+w//2,y+h//2),radius=w//2,color=(0,255,0),thickness=1)

    (1)两个人脸识别器的区别（Haar/LBPH）

    综上我们可以看出Haar属于分类器，而LBPH属于识别器。

后面就是没有学过的代码，我们来逐一解读：

(2)recogizer.predict( )识别输入人脸进行判断输出

recogizer.predict() 识别输入人脸，判断该人脸属于哪个预定义的类别（标签），并给出识别结果的置信度。

参数——输入图像：这是一个灰度图像，代表要进行识别的人脸。

• 标签 ID（ids）：它是一个整数，代表识别出的人脸对应的预定义标签。
• 置信度评分（confidence）：它是一个浮点数，用于衡量识别结果的可靠程度。置信度评分越低表示识别结果越可靠。在 LBPH 算法中，置信度评分通常在 0 到 200 之间，通常会设定一个阈值（如 80）来判断识别结果是否可信。如果置信度评分高于阈值，则认为识别结果不可靠，可能是未知人脸。

ids, confidence = recogizer.predict(gray[y:y + h, x:x + w])

    本行代码意为：加载已训数的人脸识别器 recogizer 对人脸区域进行识别，得到对应的标签 ids 和置信度评分 confidence。

（3）对比EigenFaces 、FisherFaces和LBPH分类器

    所以我们用2张图就实现了人脸识别，这正是LBPH的长处。换用其他两个分类器反而不好完成效果。

（4）人脸识别的置信度来判断识别结果的代码

        if confidence > 80:
            global warningtime
            warningtime += 1
            print('warningtime=',warningtime)
            cv2.putText(img, 'unknown', (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)
        else:
            cv2.putText(img,str(names[ids-1]), (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)

recogizer.predict( )代码中我们学到：

    置信度评分越低表示识别结果越可靠。在 LBPH 算法中，置信度评分通常在 0 到 200 之间，通常会设定一个阈值（如 80）来判断识别结果是否可信。如果置信度评分高于阈值，则认为识别结果不可靠，可能是未知人脸。

    所以这里的if判断的就是置信度＞80则输出警告，在识别框标注unknown，并在warningtime进行计数。反之则标注names列表中的名称。  

    其中有关warningtime的代码涉及：

    global warningtime
    warningtime += 1
    print('warningtime=', warningtime)

• global warningtime：声明 warningtime 为全局变量。因为在函数内部如果要修改全局变量的值，需要使用 global 关键字进行声明，否则 Python 会将其视为局部变量。
• warningtime += 1：将 warningtime 的值加 1，用于记录未知人脸出现的次数。
• print('warningtime=', warningtime)：打印当前未知人脸出现的次数，方便调试和监控。

（5） +=

warningtime += 1

•  += 是 Python 中的复合赋值运算符。
• warningtime += 1 等价于 warningtime = warningtime + 1。

（6）全局变量和局部变量

     全局变量从程序开始时创建，直到程序结束时才被销毁。整个运行过程中一直存在于内存中。

    局部变量从其所在的函数、类或代码块被调用时开始创建，当执行结束后，所占用的内存会被释放，即局部变量被销毁。

     举例：在函数内部可以直接访问全局变量
                要修改全局变量的值，需要使用 global 关键字进行声明

（7） cv2.putText （）在图像上绘制文本

cv2.putText(img, text, org, fontFace, fontScale, color, thickness=None, lineType=None, bottomLeftOrigin=None)
#必须参数
cv2.putText(img, text, org, fontFace, fontScale, color)
cv2.putText(图片, 文本, 坐标, 字体,大小, 颜色)

• img：必需。要在其上绘制文本的图像。通常是一个 NumPy 数组，其数据类型一般为 uint8，可以是单通道（灰度图像）或多通道（彩色图像）。
• text：必需。要绘制的文本内容。
• org：必需。文本字符串的起始坐标，是一个二元组 (x, y)，其中 x 表示水平方向的位置，y 表示垂直方向的位置。在图像坐标系中，原点 (0, 0) 通常位于图像的左上角。
• fontFace：必需。指定字体类型，例如：
  • cv2.FONT_HERSHEY_DUPLEX：比 FONT_HERSHEY_SIMPLEX 更复杂的字体。
  • cv2.FONT_HERSHEY_PLAIN：一种细的无衬线字体。
  • cv2.FONT_HERSHEY_SIMPLEX：一种简单的无衬线字体，是比较常用的字体类型。
• fontScale：必需。控制字体的大小，是一个浮点数。值越大，字体越大。
• color：必需。指定文本的颜色。对于彩色图像，颜色通常表示为一个三元组 (B, G, R)，分别代表蓝色、绿色和红色通道的值，取值范围为 0 - 255；对于灰度图像，颜色为一个单值，表示灰度强度。
• thickness：可选。文本线条的粗细，默认值为 1。该参数为整数类型，值越大，线条越粗。
• lineType：可选。线条的类型。
• bottomLeftOrigin：可选参数。是一个布尔值，默认值为 False。如果设置为 True，则图像数据原点位于左下角；如果设置为 False，则原点位于左上角。

cv2.putText(img, 'unknown', (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)
        else:
            cv2.putText(img,str(names[ids-1]), (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)

我们来解读一下代码，图像上的文本要求：

cv2.putText(img, 'unknown', (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)——在图像上绘制文本，文本是unknown，位置是(x + 10, y - 10)，字体无衬线，字体大小0.75，绿色

cv2.putText(img,str(names[ids-1]), (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)——在图像上绘制文本，文本是names列表中的，位置是(x + 10, y - 10)，字体无衬线，字体大小0.75，绿色

（8）str( )将对象转换为字符串

str() 将对象转换为字符串，通俗理解就是要把给机器看的内容转化给人看。string简写为str,意为串。

str(names[ids-1])

ids - 1

•  Python 列表的索引是从 0 开始的，而人脸识别标签 ID 通常从 1 开始。 ids - 1 为了两个表能对上。
• 也就是将name列表中的内容转化为字符串

（9）字符串和数字的互相翻译

str() 是将对象转换为字符串，那如果想反向操作是什么命令呢？

（10） OpenCV坐标移动规律简记                                       

                                              + 号撒腿右下跑，- 号转身左上飘                                                     

在OpenCV中+表达向→向↓，-表达向←向↑。

所以代码中表示x + 10：x 坐标向右偏移 10 个像素。y - 10： y 坐标向上偏移 10 个像素。  

综上后一部分代码我们可以解读为：

#识别输入人脸，获取标签ids,置信度confidence
        ids, confidence = recogizer.predict(gray[y:y + h, x:x + w])
        #如果置信度confidence＞80
        if confidence > 80:
            #warningtime作为全局变量
            global warningtime
            #每次出现都+1
            warningtime += 1
            #控制台输出warningtime=，值为warningtime
            print('warningtime=',warningtime)
            #图像上绘制文本，文本是unknown，位置是x向右偏移10个像素。y向上偏移10个像素，字体无衬线，字体大小0.75，绿色
            cv2.putText(img, 'unknown', (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)
        else:
            #图像上绘制文本，文本是names列表中的，其余同上
            #坐标移动规律：+ 号撒腿右下跑，- 号转身左上飘
            cv2.putText(img,str(names(ids-1)), (x + 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 255, 0), 1)
    #弹出窗口名为result
    cv2.imshow('result',img)

    本次我们解读了从开始到定义人脸识别的部分，内容已经很多了。后续两个部分我们下次继续解读~

总结：

• Haar属于分类器，而LBPH属于识别器
• recogizer.predict() 识别输入人脸进行判断输出。评分越低越可靠，一般 LBPH用80来判断。
• 对比EigenFaces 、FisherFaces（最好）和LBPH分类器(最少）
• += 复合赋值运算符
• 全局变量和局部变量
• cv2.putText （）在图像上绘制文本

       cv2.putText(img, text, org, fontFace, fontScale, color)
       cv2.putText(图片, 文本, 坐标, 字体,大小, 颜色)

• str( )将对象转换为字符串/int()float()字符串转换为对象

• OpenCV坐标移动规律简记:+ 号撒腿右下跑，- 号转身左上飘