一、 介绍

通过将人脸收集，进行训练，将要分析的面部的捕获部分作为参数，并将返回其可能的所有者，指示其ID以及识别器对此匹配的信任程度实现人脸的识别。

二、实现步骤

一、人脸收集

首先，创建用于开发项目的目录，例如FacialRecognitionProject：

 mkdir FacialRecognitionProject
1

接下来，创建一个子目录，我们将在其中存储面部样本并将其命名为“数据集”：

 mkdir dataset
1

之后将以下代码命名为01_face_dataset.py并保存在FacialRecognitionProject文件夹中，除此之外我们还必须在FacialRecognitionProject上保存面部分类器haarcascade_frontalface_default.xml

import cv2
import os

cam = cv2.VideoCapture(0)
cam.set(3, 640) # set video width
cam.set(4, 480) # set video height

face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# For each person, enter one numeric face id
face_id = input('\n enter user id end press <return> ==>  ')

print("\n [INFO] Initializing face capture. Look the camera and wait ...")
# Initialize individual sampling face count
count = 0

while(True):
    ret, img = cam.read()
    img = cv2.flip(img, 1) # flip video image vertically
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_detector.detectMultiScale(gray, 1.3, 5)

    for (x,y,w,h) in faces:
        cv2.rectangle(img, (x,y), (x+w,y+h), (255,0,0), 2)     
        count += 1

        # Save the captured image into the datasets folder
        cv2.imwrite("dataset/User." + str(face_id) + '.' + str(count) + ".jpg", gray[y:y+h,x:x+w])

        cv2.imshow('image', img)

    k = cv2.waitKey(100) & 0xff # Press 'ESC' for exiting video
    if k == 27:
        break
    elif count >= 30: # Take 30 face sample and stop video
         break

# Do a bit of cleanup
print("\n [INFO] Exiting Program and cleanup stuff")
cam.release()
cv2.destroyAllWindows()
1234567891011121314151617181920212223242526272829303132333435363738394041

运行代码，填入ID（1,2，3）号，ID必须为整数。

 face_id = input('\n enter user id end press <return> ==>  ')
1

对于捕获的每个帧，我们都应将其另存为“数据集”目录中的文件：

cv2.imwrite("dataset/User." + str(face_id) + '.' + str(count) + ".jpg", gray[y:y+h,x:x+w])
1

请注意，要保存上述文件，必须已导入库“ os”。每个文件的名称将遵循以下结构：

User.face_id.count.jpg
1

例如，对于一个face_id = 1的用户，数据集/目录上的第四个样本文件将类似于：

 User.1.4.jpg
1

在代码中，每个ID捕获30个样本，可以在最后的“elif”上进行更改。样本数量用于打破捕获面部样本的循环。运行Python脚本并捕获一些ID。每次要聚集新用户（或更改已经存在的用户的照片）时，都必须运行脚本。

二、人脸训练

我们必须从数据集中获取所有用户数据，并“训练” OpenCV Recognizer。这是通过特定的OpenCV函数直接完成的。
首先，创建一个子目录，我们将在其中存储训练后的数据：

 mkdir trainer
1

之后将以下代码命名02_face_training.py，并保存在FacialRecognitionProject文件夹中。

import cv2
import numpy as np
from PIL import Image
import os

# Path for face image database
path = 'dataset'

recognizer = cv2.face.LBPHFaceRecognizer_create()
detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml");

# function to get the images and label data
def getImagesAndLabels(path):
    imagePaths = [os.path.join(path,f) for f in os.listdir(path)]     
    faceSamples=[]
    ids = []
    for imagePath in imagePaths:
        PIL_img = Image.open(imagePath).convert('L') # convert it to grayscale
        img_numpy = np.array(PIL_img,'uint8')
        id = int(os.path.split(imagePath)[-1].split(".")[1])
        faces = detector.detectMultiScale(img_numpy)
        for (x,y,w,h) in faces:
            faceSamples.append(img_numpy[y:y+h,x:x+w])
            ids.append(id)
    return faceSamples,ids

print ("\n [INFO] Training faces. It will take a few seconds. Wait ...")
faces,ids = getImagesAndLabels(path)
recognizer.train(faces, np.array(ids))

# Save the model into trainer/trainer.yml
recognizer.write('trainer/trainer.yml') # recognizer.save() worked on Mac, but not on Pi

# Print the numer of faces trained and end program
print("\n [INFO] {0} faces trained. Exiting Program".format(len(np.unique(ids))))
1234567891011121314151617181920212223242526272829303132333435

确认是否在Rpi上安装了PIL库。如果没有，请在终端中运行以下命令：

 pip install pillow
1

运行代码，我们将使用OpenCV软件包中随附的LBPH（本地二进制模式直方图）人脸识别器作为识别器。我们在以下行中执行此操作：

 recognizer = cv2.face.LBPHFaceRecognizer_create()
1

函数getImagesAndLabels(path)将在目录“ dataset /”上识别所有照片，并返回2个数组：“ Ids”和“ faces”。使用这些数组作为输入，我们将“训练我们的识别器”：

recognizer.train(faces, np.array(ids))
1

结果，名为“ trainer.yml”的文件将保存在我们之前创建的Trainer目录中。

三、人脸识别

我们将在相机上捕捉一张新面孔，如果此人之前曾被捕捉和训练过，则我们的识别器将做出“预测”，返回其ID和索引，返回置信度。
将以下代码命名03_face_recognition.py，并保存在FacialRecognitionProject文件夹中。

import cv2
import numpy as np
import os 

recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('trainer/trainer.yml')
cascadePath = "haarcascade_frontalface_default.xml"
faceCascade = cv2.CascadeClassifier(cascadePath);

font = cv2.FONT_HERSHEY_SIMPLEX

#iniciate id counter
id = 0

# names related to ids: example ==> Marcelo: id=1,  etc
names = ['None', 'meng', 'Paula', 'Ilza', 'Z', 'W'] 

# Initialize and start realtime video capture
cam = cv2.VideoCapture(0)
cam.set(3, 640) # set video widht
cam.set(4, 480) # set video height

# Define min window size to be recognized as a face
minW = 0.1*cam.get(3)
minH = 0.1*cam.get(4)

while True:
    ret, img =cam.read()
    img = cv2.flip(img, -1) # Flip vertically
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    
    faces = faceCascade.detectMultiScale( 
        gray,
        scaleFactor = 1.2,
        minNeighbors = 5,
        minSize = (int(minW), int(minH)),
       )

    for(x,y,w,h) in faces:
        cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)
        id, confidence = recognizer.predict(gray[y:y+h,x:x+w])

        # Check if confidence is less them 100 ==> "0" is perfect match 
        if (confidence < 100):
            id = names[id]
            confidence = "  {0}%".format(round(100 - confidence))
        else:
            id = "unknown"
            confidence = "  {0}%".format(round(100 - confidence))
        
        cv2.putText(img, str(id), (x+5,y-5), font, 1, (255,255,255), 2)
        cv2.putText(img, str(confidence), (x+5,y+h-5), font, 1, (255,255,0), 1)  
    
    cv2.imshow('camera',img) 

    k = cv2.waitKey(10) & 0xff # Press 'ESC' for exiting video
    if k == 27:
        break

# Do a bit of cleanup
print("\n [INFO] Exiting Program and cleanup stuff")
cam.release()
cv2.destroyAllWindows()
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263

我们在此处定义一个新数组，因此我们将显示“名称”，而不是编号的ID：

names = ['None', 'meng', 'Paula', 'Ilza', 'Z', 'W'] 
1

因此，例如：meng将id = 1的用户；Paula：id = 2，依此类推。
如果置信指数被视为完全匹配，则其将返回“零”。
最后，如果识别器可以预测到人脸，我们在图像上放上一个文本，并附上可能的ID，以“％”表示匹配正确（“概率” = 100-置信指数）。如果不是，则在脸上贴上“未知”标签。

源码获取加群：1136192749