关于Opencv人脸识别的一点探究

本文基于上篇文章，对Opencv首先人脸识别过程中的一些细节进行小小的探究。

1.在detect_face函数中，检测所尺度方法返回的faces究竟是什么？我们在代码

faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5)

后输出一下faces，即print（faces），结果如下：

查看全部代码会发现detect_face函数共出现两次，分别是在函数prepare_training_data和predict中，共被执行了42次，因为有训练图片40张和测试图片2张，输出结果也为42条记录，每一条都是检测到的人脸区域坐标（x,y，宽，高），有的记录包括两项，如[[188 133 53 53] [155 36 112 112]],也就是检测出两张人脸（实际上每张图片只有一张人脸。。），还有的为空，意即没有检测出人脸，所以我们要大量的训练，否则准确度很难保证。

2.同样是在detect_face中，最后我们假设只有一张人脸（检测到两张脸的话就取第一个），我们把faces[0]赋值给（x,y,w,h），那这里的faces[0]又是什么？

有朋友说了，这不是很明显吗，就是从上边的数组中取第一项就行了呗。没毛病，我们在代码

if (len(faces) == 0):
    return None, None

之后输出faces[0]，结果为：

跟上图像比较，很好理解，但是如果在代码

faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5)

之后输出faces[0]则会报错：索引越界，大家应该也注意到了，在faces中有空（），如果我们在未检测faces长度并返回None之前便引用faces[0]是会越界的，因为此时detectMultiScale返回的数组包含空值，它和None是不一样的，这一块大家可以自行查一下。

3.在prepare_training_data函数中的第二个for循环中，检测脸部函数detect_face返回了face和rect，还有我们在第一个for循环一开始得到的label标签值，这三者到底是长什么样子的？

我们在代码

face, rect = detect_face(image)

后依次输出这三者

print(face)
print(rect)
print(label)

看下结果：

这是第一张图片的信息，共三部分，分别为图片的人脸区域信息、检测到的脸部区域和标签值，从这里也可以看出一张彩色图片是由一个个数值组成的，也就是一个个的像素值。

4.我们的prepare_training_data函数最后返回了faces和labels，这二者的形式又是怎样的呢？

我们在第三问探究了detect_face函数返回的face和rect，那faces就是face的总和嘛，我们在代码

faces, labels = prepare_training_data("training_data")

后输出二者

print(faces)
print(labels)

看下faces的具体形式：

可以看出faces中每一个元素均为数组，格式为uint8

而labels呢？请看：

共40项，即40张训练图片对应的标签，而在之后的

face_recognizer.train(faces, np.array(labels))

中我们将list列表转换为数组形式，关于列表和数组，大概就是python中的list是python的内置数据类型，list中的数据类不必相同的，而array的中的类型必须全部相同。二者具体的不同大家可以自行查阅。

5.最后我们补充两点内容，这是在我查阅资料中发现的一两个问题，第一个就是

cv2.face.LBPHFaceRecognizer_create()

在老版本的代码中用的是

cv2.face.createLBPHFaceRecognizer()

第二个是在自定义的predict函数中

label = face_recognizer.predict(face)

这里的label输出一下为以下形式

共包含两项，分别为标签和系数，后者是和具体的算法有关的，对于LBPH来说低于50可靠，80-90不可靠，高于90纯蒙，由于我们训练数据太少，得到的结果也不太可靠（但还是准确地检测识别了）

本次人脸识别还是很有局限性，属于初级入门程度，比如我们训练0组图片，然后预测的时候也是用的家驹的图片，有点像人为匹配似的，实际上我们测得就是相似度，当程序能够表示出人物并且系数很低（表示可靠），这才是我们想要的结果，之后还会做一些有趣的实验，继续吧

                         如果本篇文章对你有一点点帮助，请点赞或者收藏，让我们一起进步