PythonOpenCV-人脸检测和识别-人脸识别

0. 简介

　　OpenCV 提供了 3 种人脸识别方法: 特征脸(EigenFaces )、人鱼脸(FisherFaces)和局部二进制编码直方图(Local Binary Patterns Histograms，LBPH)。

 

1. EigenFaces 人脸识别

　　EigenFaces 使用主要成分分析方法将人脸数据从高维处理成低维后，获得人脸数据的主要成分信息，进而完成人脸识别。

EigenFaces 人脸识别的基本步骤如下：

• 调用cv2.face.EigenFaceRecognizer_create()方法创建 EigenFaces 识别器
• 调用识别器的 train()方法以便使用已知图像训练模型
• 调用识别器的 predict()方法以便使用未知图像进行识别，确认其身份。

　　cv2.face.EigenFaceRecognizer_create()函数的基本格式如下：

recognizer = cv2.face.EigenFaceRecognizer_create([num_components[, threshold]])

　　参数说明：

recognizer：返回的 EigenFaces 识别器对象

num_components：分析时的分量个数;默认为0，表示根据实际输入决定threshold 为人脸识别时采用的闯值。

　　EigenFaces 识别器train()方法的基本格式如下：

recognizer, train(src, labels)

　　参数说明：

src：用于训练的已知图像数组。所有图像必须为灰度图像，且大小要相同

labels：标签数组，与已知图像数组中的人脸一一对应，同一个人的人脸标签应设置为相同值

　　EigenFaces 识别器 predict()方法的基本格式如下：

label, confidence = recognizer.predict(testimg)

　　参数说明：

testimg：未知人脸图像，必须为灰度图像，且与训练图像大小相同

label：返回的标签值

confidence：返回的可信度，表示未知人脸和模型中已知人脸之间的距离。0 表示完全匹配，低于 5000 可认为是可靠的匹配结果

 　　代码示例：

import cv2 as cv
import numpy as np

img11 = cv.imread('xl11.jpg', 0)  # 打开图像，灰度图
img12 = cv.imread('xl12.jpg', 0)  # 打开图像，灰度图
img13 = cv.imread('xl13.jpg', 0)  # 打开图像，灰度图
img21 = cv.imread('xl21.jpg', 0)  # 打开图像，灰度图
img22 = cv.imread('xl22.jpg', 0)  # 打开图像，灰度图
img23 = cv.imread('xl23.jpg', 0)  # 打开图像，灰度图
train_images = [img11, img12, img13, img21, img22, img23]  # 创建训练图像数组
labels = np.array([0, 0, 0, 1, 1, 1])  # 创建标签数组，0和1表示对应的训练图像数组中人脸的身份
recognizer = cv.face.EigenFaceRecognizer_create()  # 创建FisherFaces识别器
recognizer.train(train_images, labels)  # 执行训练操作
testimg = cv.imread('test1.jpg', 0)  # 打开测试图像
label, confidence = recognizer.predict(testimg)  # 识别人脸
print('匹配标签：', label)
print('可信度：', confidence)

　　运行结果：

匹配标签： 0
可信度： 2121.875935493911

 

2. FisherFaces 人脸识别

　　FisherFaces 使用线性判别分析 ( Linear Discriminant Analysis，LDA)方法实现人脸识别。

　　FisherFaces 人脸识别的基本步骤如下：

• 调用 cv2.face.FisherFaceRecognizer_create()函数创建 FisherFaces 识别器
• 调用识别器的 train()方法以便使用已知图像训练模型
• 调用识别器的 predict()方法以便使用未知图像进行识别，确认其身份

　　在 OpenCV 中，cv2.face.EigenFaceRecognizer 类和 cv2face.FisherFaceRecognizer类同属于 cv2.face.BasicFaceRecognizer 类、cV2.face.FaceRecognizer 类和 cV2.Algorithm类的子类，对应的 xxx_create()、train()和 predict()等方法的基本格式与用法相同。

　　代码示例：

import cv2 as cv
import numpy as np

# 读入训练图像
img11 = cv.imread('xl11.jpg', 0)  # 打开图像，灰度图
img12 = cv.imread('xl12.jpg', 0)  # 打开图像，灰度图
img13 = cv.imread('xl13.jpg', 0)  # 打开图像，灰度图
img21 = cv.imread('xl21.jpg', 0)  # 打开图像，灰度图
img22 = cv.imread('xl22.jpg', 0)  # 打开图像，灰度图
img23 = cv.imread('xl23.jpg', 0)  # 打开图像，灰度图
train_images = [img11, img12, img13, img21, img22, img23]  # 创建训练图像数组
labels = np.array([0, 0, 0, 1, 1, 1])  # 创建标签数组，0和1表示训练图像数组中人脸的身份
recognizer = cv.face.FisherFaceRecognizer_create()  # 创建FisherFaces识别器
recognizer.train(train_images, labels)  # 执行训练操作
testimg = cv.imread('test1.jpg', 0)  # 打开测试图像
label, confidence = recognizer.predict(testimg)  # 识别人脸
print('匹配标签：', label)
print('可信程度：', confidence)

　　运行结果：

匹配标签： 0
可信程度： 774.9550554076943

 

3. LBPH 人脸识别

　　LBPH 算法处理图像的基本原理如下：

• 取像素x周围(邻域)的 8 个像素与其比较，像素值比像素x大的取0,否则取 1。将8 个像素对应的 0、1连接得到一个 8 位二进制数，将其转换为十进制数，作为像素x的 LBP 值
• 对图像的所有像素按相同的方法进行处理，得到整个图像的 LBP 图像，该图像的直方图就是图像的 LBPH

　　LBPH 人脸识别的基本步骤如下：

1. 调用 cv2.face.LBPHFaceRecognizer_create()函数创建 LBPH识别器
2. 调用识别器的 train0方法以便使用已知图像训练模型
3. 调用识别器的 predict()方法以便使用未知图像进行识别，确认其身份

　　cv2.face.LBPHFaceRecognizer_create)()函数的基本格式如下：

recognizer =cv2.face.LBPHFaceRecognizer_create([,radius[,neighbors[, grid x[, grid y[, threshold]]]]])

　　参数说明：

recognizer：返回的 LBPH 识别器对象

radius：邻域的半径大小

neighbors：邻域内像素点的数量，默认为 8

grid_x 为将 LBP 图像划分为多个单元格时，水平方向上的单元格数量，默认为 8

grid_y 为将 LBP 图像划分为多个单元格时，垂直方向上的单元格数量，默认为 8

threshold 为人脸识别时采用的阈值

　　LBPH 识别器 train0方法的基本格式如下：

recognizer.train(src, labels)

　　参数说明：

src：用于训练的已知图像数组。所有图像必须为灰度图像，且大小要相同

labels：标签数组，与已知图像数组中的人脸一一对应，同一个人的人脸标签应设置为相同值

　　LBPH 识别器 predict0方法的基本格式如下：

label, confidence = recognizer.predict(testimg)

　　参数说明：

testimg：未知人脸图像，必须为灰度图像，且与训练图像大小相同

label：返回的识别标签值

confidence：返回的可信程度，表示未知人脸和模型中已知人脸之间的距离。0 表示完全匹配，低于 50 可认为是非常可靠的匹配结果

　　代码示例：

import cv2 as cv
import numpy as np

# 读入训练图像
img11 = cv.imread('xl11.jpg', 0)  # 打开图像，灰度图
img12 = cv.imread('xl12.jpg', 0)  # 打开图像，灰度图
img13 = cv.imread('xl13.jpg', 0)  # 打开图像，灰度图
img21 = cv.imread('xl21.jpg', 0)  # 打开图像，灰度图
img22 = cv.imread('xl22.jpg', 0)  # 打开图像，灰度图
img23 = cv.imread('xl23.jpg', 0)  # 打开图像，灰度图
train_images = [img11, img12, img13, img21, img22, img23]  # 创建训练图像数组
labels = np.array([0, 0, 0, 1, 1, 1])  # 创建标签数组，0和1表示训练图像数组中人脸的身份
recognizer = cv.face.LBPHFaceRecognizer_create()  # 创建LBPHFaces识别器
recognizer.train(train_images, labels)  # 执行训练操作
testimg = cv.imread('test2.jpg', 0)  # 打开测试图像
label, confidence = recognizer.predict(testimg)  # 识别人脸
print('匹配标签：', label)
print('可信程度：', confidence)

　　运行结果：

匹配标签： 1
可信程度： 72.49861447316063

 

/*-------------------------------------------------------------------------------------------------------

笔者说明：

　　该笔记来源于本人学习Python + OpenCv时的资料，

　　分享出来只是为了供大家学习，并且为了自己以后想要用的时候方便寻找。

时间：2023年9月3日

------------------------------------------------------------------------------------------------------------*/