Skip to content

Latest commit

 

History

History
290 lines (208 loc) · 7.32 KB

06.md

File metadata and controls

290 lines (208 loc) · 7.32 KB

六、构建人脸检测器和人脸识别应用

本章介绍以下主题：

  • 人脸识别系统简介
  • 构建人脸检测应用程序
  • 构建人脸识别应用程序
  • 人脸识别系统的应用

介绍

近年来，人脸识别已经成为最热门的研究领域之一。人脸识别系统是一种能够检测和识别人脸的计算机程序。为了识别一个人，它会考虑他们独特的面部特征。最近，它已被用于若干安全和监视装置，以确保高风险区域、住宅区、私人和公共建筑等的安全。

构建人脸检测应用程序

在本节中，我们将讨论如何从网络摄像头图像中检测人脸。USB 网络摄像头需要连接到 Raspberry Pi 3 以实现实时人脸检测。

怎么做。。。

  1. 导入必要的软件包：
import cv2 
import numpy as np
  1. 加载面级联文件：
frontalface_cascade= cv2.CascadeClassifier('haarcascade_frontalface_alt.xml')
  1. 检查是否已加载面级联文件：
if frontalface_cascade.empty(): 
  raiseIOError('Unable to load the face cascade classifier xml file')
  1. 初始化视频捕获对象：
capture = cv2.VideoCapture(0)
  1. 定义比例因子：
scale_factor = 0.5
  1. 执行此操作直到按下Esc键：
# Loop until you hit the Esc key 
while True:
  1. 捕获当前帧并调整其大小：
  ret, frame = capture.read() 
  frame = cv2.resize(frame, None, fx=scale_factor, fy=scale_factor,  
            interpolation=cv2.INTER_AREA)
  1. 将图像帧转换为灰度：
  gray_image = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
  1. 在灰度图像上运行人脸检测器：
  face_rectangle = frontalface_cascade.detectMultiScale(gray_image, 1.3, 5)
  1. 绘制矩形框：
  for (x,y,w,h) in face_rectangle: 
    cv2.rectangle(frame, (x,y), (x+w,y+h), (0,255,0), 3)
  1. 显示输出图像：
    cv2.imshow('Face Detector', frame)
  1. 检查是否已按下Esc键终止操作：
  a = cv2.waitKey(1) 
  if a == 10: 
    break
  1. 停止视频捕获并终止操作：
capture.release() 
cv2.destroyAllWindows()

在人脸检测系统中获得的结果如下所示：

构建人脸识别应用程序

人脸识别是在人脸检测之后进行的一种技术。将检测到的人脸与数据库中存储的图像进行比较。它从输入图像中提取特征，并将其与数据库中存储的人体特征相匹配。

怎么做。。。

  1. 导入必要的软件包：
import cv2 
import numpy as np   
from sklearn import preprocessing
  1. 加载编码和解码任务运算符：
class LabelEncoding(object): 
  # Method to encode labels from words to numbers 
  def encoding_labels(self, label_wordings): 
    self.le = preprocessing.LabelEncoder() 
    self.le.fit(label_wordings)
  1. 实现输入标签的字到数转换：
  def word_to_number(self, label_wordings): 
    return int(self.le.transform([label_wordings])[0])
  1. 将输入标签从数字转换为文字：
  def number_to_word(self, label_number): 
    return self.le.inverse_transform([label_number])[0]
  1. 从输入路径提取图像和标签：
def getting_images_and_labels(path_input): 
  label_wordings = []
  1. 迭代输入路径的过程并附加文件：
  for roots, dirs, files in os.walk(path_input): 
    for fname in (x for x in files if x.endswith('.jpg')): 
      fpath = os.path.join(roots, fname) 
      label_wordings.append(fpath.split('/')[-2])
  1. 初始化变量并解析输入寄存器：
  images = [] 
  le = LabelEncoding() 
  le.encoding_labels(label_wordings) 
  labels = [] 
  # Parse the input directory 
  for roots, dirs, files in os.walk(path_input): 
    for fname in (x for x in files if x.endswith('.jpg')): 
      fpath = os.path.join(roots, fname)
  1. 读取灰度图像：
      img = cv2.imread(fpath, 0)
  1. 提取标签：
      names = fpath.split('/')[-2]
  1. 执行人脸检测：
      face = faceCascade.detectMultiScale(img, 1.1, 2, minSize=(100,100))
  1. 使用面矩形重复此过程：
      for (x, y, w, h) in face: 
        images.append(img[y:y+h, x:x+w]) 
        labels.append(le.word_to_number(names)) 
  return images, labels, le 
if __name__=='__main__': 
  path_cascade = "haarcascade_frontalface_alt.xml" 
  train_img_path = 'faces_dataset/train' 
  path_img_test = 'faces_dataset/test'
  1. 加载面级联文件：
  faceCascade = cv2.CascadeClassifier(path_cascade)
  1. 使用本地二进制模式初始化人脸检测：
  face_recognizer = cv2.createLBPHFaceRecognizer()
  1. 从训练人脸数据集中提取人脸特征：
  imgs, labels, le = getting_images_and_labels(train_img_path)
  1. 培训人脸检测系统：
  print "nTraining..." 
  face_recognizer.train(imgs, np.array(labels))
  1. 测试人脸检测系统：
  print 'nPerforming prediction on test images...' 
  flag_stop = False 
  for roots, dirs, files in os.walk(path_img_test): 
    for fname in (x for x in files if x.endswith('.jpg')): 
      fpath = os.path.join(roots, fname)
  1. 验证人脸识别系统：
      predicting_img = cv2.imread(fpath, 0) 
            # Detect faces 
      face = faceCascade.detectMultiScale(predicting_img, 1.1,  
                    2, minSize=(100,100)) 
            # Iterate through face rectangles 
      for (x, y, w, h) in face: 
        # Predict the output 
        index_predicted, config = face_recognizer.predict( 
predicting_img[y:y+h, x:x+w]) 
        # Convert to word label 
        person_predicted = le.number_to_word(index_predicted) 
        # Overlay text on the output image and display it 
        cv2.putText(predicting_img, 'Prediction: ' +  person_predicted,  
                        (10,60), cv2.FONT_HERSHEY_SIMPLEX, 2, (255,255,255), 6) 
        cv2.imshow("Recognizing face", predicting_img) 
      a = cv2.waitKey(0) 
      if a == 27: 
        flag = True 
        break 
    if flag_stop: 
      break

获得的人脸识别输出如下所示：

它是如何工作的。。。

人脸识别系统广泛用于实现个人安全系统。读者可以参考文章基于 OpenCV的人脸检测系统http://ieeexplore.ieee.org/document/6242980/ 。

另见实时人脸检测系统人脸检测算法研究中的http://ieeexplore.ieee.org/document/5209668 。

另见

请参阅以下文章：

人脸识别系统的应用

人脸识别广泛应用于安全、医疗和营销领域。各行业正在开发新的人脸识别系统，利用深度学习识别欺诈行为，识别人脸和照片之间的差异，等等。在医疗保健领域，人脸识别与其他计算机视觉算法相结合，用于检测面部皮肤疾病。