Python学习案例之人脸检测识别

前言

随着科技的发展，人脸识别技术在许多领域得到的非常广泛的应用，手机支付、银行身份验证、手机人脸解锁等等。

识别

废话少说，这里我们使用 opencv 中自带了 haar人脸特征分类器，利用训练好的 haar 特征的 xml 文件，在图片上检测出人脸的坐标，利用这个坐标，我们可以将人脸区域剪切保存，也可以在原图上将人脸框出。

代码实现：

# -*-coding:utf8-*-#import osimport cv2from PIL import Image, ImageDrawfrom datetime import datetime"""
分类器 https://github.com/opencv/opencv/tree/master/data/haarcascades
安装模块：pip install Pillow   pip install opencv-python
博客：https://blog.52itstyle.vip/archives/3771/
"""def detectFaces(image_name):
    img = cv2.imread(image_name)
    face_cascade = cv2.CascadeClassifier(os.getcwd()+"\\haarcascade\\haarcascade_frontalface_alt.xml")    if img.ndim == 3:
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    else:
        gray = img  # if语句：如果img维度为3，说明不是灰度图，先转化为灰度图gray，如果不为3，也就是2，原图就是灰度图

    faces = face_cascade.detectMultiScale(gray, 1.2, 5)  # 1.3和5是特征的最小、最大检测窗口，它改变检测结果也会改变
    result = []    for (x, y, width, height) in faces:
        result.append((x, y, x + width, y + height))    return result# 保存人脸图def saveFaces(image_name):
    faces = detectFaces(image_name)    if faces:        # 将人脸保存在save_dir目录下。
        # Image模块：Image.open获取图像句柄，crop剪切图像(剪切的区域就是detectFaces返回的坐标)，save保存。
        save_dir = image_name.split('.')[0] + "_faces"
        os.mkdir(save_dir)
        count = 0
        for (x1, y1, x2, y2) in faces:
            file_name = os.path.join(save_dir, str(count) + ".jpg")
            Image.open(image_name).crop((x1, y1, x2, y2)).save(file_name)
            count += 1if __name__ == '__main__':
    time1 = datetime.now()
    result = detectFaces(os.getcwd()+"\\images\\gaoyuanyuan.jpg")
    time2 = datetime.now()
    print("耗时：" + str(time2 - time1))    if len(result) > 0:
        print("有人存在！！---》人数为：" + str(len(result)))    else:
        print('视频图像中无人！！')

    drawFaces(os.getcwd()+"\\images\\", "hanxue.jpg")
    saveFaces(os.getcwd()+"\\images\\gaoyuanyuan.jpg")

识别效果图：

多人识别效果：

经过测试，最终选用了 haarcascade_frontalface_alt.xml 做人脸识别，识别率最高。

人脸检测分类器对比：

小结

开源的人脸检测分类器对于标准的人脸识别足够了，要想精确识别比如，侧脸、模糊、光照、遮挡的人脸，只能通过深度机器学习进一步优化识别精度和速度。

源码

https://gitee.com/52itstyle/Python/tree/master/Day09

作者：        小柒

出处：        https://blog.52itstyle.vip

本文版权归作者所有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出