OpenCV程序练习（四）：人脸识别

一、人脸检测

准备图片

代码

import cv2
img=cv2.imread("Faces.jpeg")
faceCascade=cv2.CascadeClassifier('haarcascade_frontalface_default.xml')    #加载级联分类器
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)   #转为灰度模式
faces=faceCascade.detectMultiScale(gray,scaleFactor=1.15,minNeighbors=5,minSize=(5,5))  #人脸检测
print("发现{0}个人脸".format(len(faces)))
#圆形标注检测到的人脸
for(x,y,w,h) in faces:
    cv2.circle(img,(int((x+x+w)/2),int((y+y+h)/2)),int(w/2),(0,255,0),2)
cv2.imshow("dect",img)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果

程序分析

本程序进行人脸检测时，使用了OpenCV中已经训练好的级联分类器haarcascade_frontalface_default.xml检测正面人脸，调用函数cv2.CascadeClassifier加载该级联分类器，然后使用函数faceCascade.detectMultiScale检测出图片中所有的人脸，该函数由分类器对象调用。

二、人脸识别

0、准备图片

1、LBPH人脸识别

代码

import cv2
import numpy as np

#输入被比较人脸图片图片
images=[]
images.append(cv2.imread("Green1.jpeg",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("Green2.jpeg",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("WSC1.jpeg",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("WSC2.jpeg",cv2.IMREAD_GRAYSCALE))
labels=[1,1,0,0]    #添加标签

recognizer=cv2.face.LBPHFaceRecognizer_create()     #生成LBPH识别器实例模型
recognizer.train(images,np.array(labels))   #训练数据
predict_image=cv2.imread("dectGreen.jpeg",cv2.IMREAD_GRAYSCALE) #输入待识别人脸图片
label,confidence=recognizer.predict(predict_image)  #识别人脸

print("label=",label)
print("confidence=",confidence)

运行结果

2、EigenFaces人脸识别

代码

import cv2
import numpy as np

#输入被比较人脸图片图片
images=[]
images.append(cv2.imread("PYY1.jpeg",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("PYY2.jpeg",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("WSC1.jpeg",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("WSC2.jpeg",cv2.IMREAD_GRAYSCALE))
labels=[1,1,0,0]     #添加标签

recognizer=cv2.face.EigenFaceRecognizer_create()    #生成特征脸识别器实例模型
recognizer.train(images,np.array(labels))   #训练数据
predict_image=cv2.imread("dectPYY.jpeg",cv2.IMREAD_GRAYSCALE)   #输入待识别人脸图片
label,confidence=recognizer.predict(predict_image)  #识别人脸

print("label=",label)
print("confidence=",confidence)

运行结果

3、Fisherfaces人脸识别

代码

import cv2
import numpy as np

#输入被比较人脸图片图片
images=[]
images.append(cv2.imread("PYY1.jpeg",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("PYY2.jpeg",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("WSC1.jpeg",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("WSC2.jpeg",cv2.IMREAD_GRAYSCALE))
labels=[1,1,0,0]     #添加标签

recognizer=cv2.face.FisherFaceRecognizer_create()   #生成Fisherfaces识别器实例模型
recognizer.train(images,np.array(labels))   #训练数据
predict_image=cv2.imread("dectPYY.jpeg",cv2.IMREAD_GRAYSCALE)   #输入待识别人脸图片
label,confidence=recognizer.predict(predict_image)  #识别人脸

print("label=",label)
print("confidence=",confidence)

运行结果

4、程序分析

（1）三种人脸识别方法介绍

①LBPH(Local Binary Patterns Histogram , 局部二值模式直方图)：
       使用的模型基于局部二值模式(Local Binary Patterns , LBP)算法。LBP最早是被作为一种有效的纹理描述算子提出的，在表述图像局部纹理特征上效果出众。

②EigenFaces：
       通常也被称为特征脸，它使用主成分分析(Principal Component Analysis , PCA)方法，将高维的人脸数据处理为低维数据（降维）后，再进行数据分析和处理，获取识别结果。

③Fisherfaces：
       采用线性判别分析(Linear Discriminant Analysis , LDA)方法实现人脸识别，也被称为“Fisher判别分析法”。

（2）label
       函数recognizer.predict在对一个待测人脸图像进行判断时，会寻找与当前图像距离最近的人脸图像。与哪个人脸图像最接近，就将待测图像识别为其对应的标签。

（3）confidence
置信度评分用来衡量识别结果与原有模型之间的距离。0表示完全匹配。
在LBPH中：通常情况下，认为小于50的值是可以接受的，如果该值大于80则认为差别较大。
在EigenFaces中：值通常在0~20000之间，只要低于5000都被认为是相当可靠的识别结果。
在Fisherfaces中：值通常在0~20000之间，只要低于5000都被认为是相当可靠的识别结果。

（4）特别注意
       使用LBPH人脸识别，对被比较图片和待识别图片为要求。但使用EigenFaces和Fisherfaces人脸识别，被比较图片和待识别图片必须为相同的size。