本文主要介紹了python使用opencv實現人臉辨識的相關資料。具有很好的參考價值。下面跟著小編一起來看下吧
主要有以下步驟：
#1、人臉偵測
2、人臉預處理
3、從收集的人臉訓練機器學習演算法
#4、人臉辨識
#5、收尾工作
人臉偵測演算法：
基於Haar的臉部偵測器的基本概念是，對於臉部正面大部分區域而言，會有眼睛所在區域應該比前額和臉頰更暗，嘴巴應該比臉頰更暗等情形。它通常執行大約20個這樣的比較來決定所偵測的物件是否為人臉，實際上經常會做上千次。
基於LBP的人臉偵測器基本概念與基於Haar的人臉偵測器類似，但它比較的是像素亮度直方圖，例如，邊緣、角落和平坦區域的直方圖。
這兩種人臉偵測器可透過訓練大的影像集找到人臉，這些影像集在opencv中存在XML檔案中以便後續使用。 這些級聯分類檢測器通常至少需要使用1000個獨特的人臉圖像和10000個非人臉圖像作為訓練，訓練時間一般LBP要幾個小時，
Haar要一個星期。
專案中的關鍵程式碼如下：
initDetectors faceCascade.load(faceCascadeFilename); eyeCascade1.load(eyeCascadeFilename1); eyeCascade2.load(eyeCascadeFilename2); initWebcam videoCapture.open(cameraNumber); cvtColor(img, gray, CV_BGR2GRAY); //有需要则缩小图片使检测运行更快，之后要恢复原来大小 resize(gray, inputImg, Size(scaledWidth, scaledHeight)); equalizeHist(inputImg, equalizedImg); cascade.detectMultiScale(equalizedImg......);
實際上通常訓練（擷取影像）和測試（來自攝影機影像）的影像會有很大不同，受（如光線、人臉方位、表情等），
結果會很差，因此用於訓練的資料集很重要。
人臉預處理目的是減少這類問題，有助於提高整個人臉辨識系統的可靠性。
人臉預處理的最簡單形式就是使用equalizeHist()函數做直方圖均衡，這與人臉偵測那步一樣。 實際中，為了讓偵測演算法更可靠，會使用臉部特徵偵測（如，偵測眼睛、鼻子、嘴巴和眉毛），本項目只使用眼睛偵測。 使用OpenCV自帶的訓練好的眼部偵測器。如，正面人臉偵測完畢後，得到一個人臉，在使用眼睛偵測器擷取人臉的左眼區域和右眼區域，並對每個眼部區域進行直方圖均衡。
這一步涉及的操作有以下內容：
1、幾何變換與裁切人臉對準很重要，旋轉人臉使眼睛保持水平，縮放人臉使眼睛之間距離始終相同，平移人臉使眼睛總是在所需高度上水平居中，
裁剪人臉外圍（如圖像背景、頭髮、額頭、耳朵和下巴）。 2、對人臉左邊和右邊分別用直方圖均衡
3、平滑
用雙邊濾波器來減少影像雜訊
#4、橢圓遮罩
將剩餘頭髮和人臉圖像背景去掉
專案中的關鍵程式碼如下：
detectBothEyes(const Mat &face, CascadeClassifier &eyeCascade1, CascadeClassifier &eyeCascade2, Point &leftEye, Point &rightEye, Rect *searchedLeftEye, Rect *searchedRightEye); topLeftOfFace = face(Rect(leftX, topY, widthX, heightY)); //在左脸区域内检测左眼 detectLargestObject(topLeftOfFace, eyeCascade1, leftEyeRect, topLeftOfFace.cols); //右眼类似，这样眼睛中心点就得到了 leftEye = Point(leftEyeRect.x + leftEyeRect.width/2, leftEyeRect.y + leftEyeRect.height/2); //再得到两眼的中点，然后计算两眼之间的角度 Point2f eyesCenter = Point2f( (leftEye.x + rightEye.x) * 0.5f, (leftEye.y + rightEye.y) * 0.5f ); //仿射扭曲(Affine Warping)需要一个仿射矩阵 rot_mat = getRotationMatrix2D(eyesCenter, angle, scale); //现在可变换人脸来得到检测到的双眼出现在人脸的所需位置 warpAffine(gray, warped, rot_mat, warped.size()); //先对人脸左侧和右侧分开进行直方图均衡 equalizeHist(leftSide, leftSide); equalizeHist(rightSide, rightSide); //再合并，这里合并时左侧1/4和右侧1/4直接取像素值，中间的2/4区域像素值通过一定计算进行处理。 //双边滤波 bilateralFilter(warped, filtered, 0, 20.0, 2.0); //采用椭圆掩码来删除一些区域 filtered.copyTo(dstImg, mask);
errorL2 = norm(A, B, CV_L2); similarity = errorL2 / (double)(A.rows * A.cols);
//翻转 flip(preprocessedFace, mirroredFace, 1);
人臉辨識演算法：
#1、特徵臉，也稱為PCA（主成分分析）
2、Fisher臉，也稱為LDA（線性判別分析）
3、局部二值模式直方圖（Local Binary Pattern Histograms，LBPH）其他人臉辨識演算法：www.face-rec.org/algorithms/#OpenCV提供了CV::Algorithm類，該類有幾種不同的演算法，用其中一種演算法就可以完成簡單而通用的人臉辨識。
OpenCV的contrib模板中有一個FaceRecognizer類，它實作以上這些人臉辨識演算法。 ###initModule_contrib(); model = Algorithm::create<FaceRecognizer>(facerecAlgorithm); model->train(preprocessedFaces, faceLabels);
1、人臉辨識：透過人臉來辨識這個人
可以簡單地呼叫FaceRecognizer::predict()函數來辨識照片中的人，
int identity = model->predict(preprocessedFace);
它帶來的問題是它總是能預測給定的人(即使輸入圖像不屬於訓練集中的人)。
解決此問題的方法是建立置信度標準，置信度過低則可判讀是一個不認識的人。
2、人臉驗證：驗證影像中是否有想找的人
為了驗證是否可靠，或系統是否能對一個不認識的人進行正確識別，這需要人臉驗證。
這裡計算置信度的方法是：
使用特徵向量和特徵值重建人臉圖，然後將輸入的影像與重構圖進行比較。如果一個人在訓練集中有多張人臉圖，用特徵向量和特徵
值重構後應該有非常好的效果，如果沒有則差別很大，表明它可能是一個未知的人臉。
subspaceProject()函數將人臉影像映射到特徵空間，再用subspaceReconstruct()函數從特徵空間重構影像。
結束：互動式GUI
利用OpenCV函數很容易繪製一些元件，滑鼠點擊等。
以上是python中OpenCV實現人臉辨識的實例詳解的詳細內容。更多資訊請關注PHP中文網其他相關文章！
