主要有以下步驟：

1、人臉檢測

2、人臉預處理

3、從收集的人臉訓練機器學習算法

4、人臉識別

5、收尾工作

人臉檢測算法：

基于Haar的臉部檢測器的基本思想是，對于面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檢測的對象是否為人臉，實際上經常會做上千次。

基于LBP的人臉檢測器基本思想與基于Haar的人臉檢測器類似，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。

這兩種人臉檢測器可通過訓練大的圖像集找到人臉，這些圖像集在opencv中存在XML文件中以便后續使用。

這些級聯分類檢測器通常至少需使用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。

項目中的關鍵代碼如下：

initDetectorsfaceCascade.load(faceCascadeFilename);eyeCascade1.load(eyeCascadeFilename1);eyeCascade2.load(eyeCascadeFilename2);initWebcamvideoCapture.open(cameraNumber);cvtColor(img, gray, CV_BGR2GRAY);//有需要則縮小圖片使檢測運行更快，之后要恢復原來大小resize(gray, inputImg, Size(scaledWidth, scaledHeight));equalizeHist(inputImg, equalizedImg);cascade.detectMultiScale(equalizedImg......);

人臉預處理:

實際中通常訓練（采集圖像）和測試（來自攝像機圖像）的圖像會有很大不同，受（如光照、人臉方位、表情等），

結果會很差，因此用于訓練的數據集很重要。

人臉預處理目的是減少這類問題，有助于提高整個人臉識別系統的可靠性。

人臉預處理的最簡單形式就是使用equalizeHist()函數做直方圖均衡，這與人臉檢測那步一樣。

實際中，為了讓檢測算法更可靠，會使用面部特征檢測（如，檢測眼睛、鼻子、嘴巴和眉毛），本項目只使用眼睛檢測。

使用OpenCV自帶的訓練好的眼部探測器。如，正面人臉檢測完畢后，得到一個人臉，在使用眼睛檢測器提取人臉的左眼區域和右眼區域，并對每個眼部區域進行直方圖均衡。

這步涉及的操作有以下內容：

1、幾何變換和裁剪

人臉對齊很重要，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、頭發、額頭、耳朵和下巴）。

2、對人臉左側和右側分別用直方圖均衡

3、平滑

用雙邊濾波器來減少圖像噪聲

4、橢圓掩碼

將剩余頭發和人臉圖像背景去掉

項目中的關鍵代碼如下：

detectBothEyes(const Mat &face, CascadeClassifier &eyeCascade1, CascadeClassifier &eyeCascade2,Point &leftEye, Point &rightEye, Rect *searchedLeftEye, Rect *searchedRightEye);topLeftOfFace = face(Rect(leftX, topY, widthX, heightY));//在左臉區域內檢測左眼detectLargestObject(topLeftOfFace, eyeCascade1, leftEyeRect, topLeftOfFace.cols);//右眼類似，這樣眼睛中心點就得到了leftEye = Point(leftEyeRect.x + leftEyeRect.width/2, leftEyeRect.y + leftEyeRect.height/2);//再得到兩眼的中點，然后計算兩眼之間的角度Point2f eyesCenter = Point2f( (leftEye.x + rightEye.x) * 0.5f, (leftEye.y + rightEye.y) * 0.5f );//仿射扭曲(Affine Warping)需要一個仿射矩陣rot_mat = getRotationMatrix2D(eyesCenter, angle, scale);//現在可變換人臉來得到檢測到的雙眼出現在人臉的所需位置warpAffine(gray, warped, rot_mat, warped.size());//先對人臉左側和右側分開進行直方圖均衡equalizeHist(leftSide, leftSide);equalizeHist(rightSide, rightSide);//再合并，這里合并時左側1/4和右側1/4直接取像素值，中間的2/4區域像素值通過一定計算進行處理。//雙邊濾波bilateralFilter(warped, filtered, 0, 20.0, 2.0);//采用橢圓掩碼來刪除一些區域filtered.copyTo(dstImg, mask);

收集并訓練人臉：

一個好的數據集應包含人臉變換的各種情形，這些變化可能出現在訓練集中。如只測試正面人臉，則只需訓練圖像有完全正面人臉即可。

因此一個好的訓練集應包含很多實際情形。

本項目收集的圖像之間至少有一秒的間隔，使用基于L2范數的相對錯誤評價標準來比較兩幅圖像素之間的相似性。

errorL2 = norm(A, B, CV_L2);similarity = errorL2 / (double)(A.rows * A.cols);

再與收集新人臉的閾值相比來決定是否收集這次圖像。

可用很多技巧來獲取更多的訓練數據，如，使用鏡像人臉、加入隨機噪聲、改變人臉圖像的一些像素、旋轉等。

//翻轉flip(preprocessedFace, mirroredFace, 1);

對每個人收集到足夠多的人臉圖像后，接下來必須選擇適合人臉識別的機器學習算法，通過它來學習收集的數據，從而訓練出一個人臉識別系統。

人臉識別算法：

1、特征臉，也稱PCA（主成分分析）

2、Fisher臉，也稱LDA（線性判別分析）

3、局部二值模式直方圖（Local Binary Pattern Histograms，LBPH）

其他人臉識別算法：www.face-rec.org/algorithms/

OpenCV提供了CV::Algorithm類，該類有幾種不同的算法，用其中一種算法就可以完成簡單而通用的人臉識別。

OpenCV的contrib模板中有一個FaceRecognizer類，它實現以上這些人臉識別算法。

initModule_contrib();model = Algorithm::create<FaceRecognizer>(facerecAlgorithm);model->train(preprocessedFaces, faceLabels);

這一代碼將執行所選人臉識別的整個訓練算法。

人臉識別：

1、人臉識別：通過人臉來識別這個人

可以簡單調用FaceRecognizer::predict()函數來識別照片中的人，

int identity = model->predict(preprocessedFace);

它帶來的問題是它總能預測給定的人(即使輸入圖像不屬于訓練集中的人)。

解決此問題的辦法是制定置信度標準，置信度過低則可判讀是一個不認識的人。

2、人臉驗證：驗證圖像中是否有想找的人

為了驗證是否可靠，或者說系統是否能對一個不認識的人進行正確識別，這需要進行人臉驗證。

這里計算置信度的方法是：

使用特征向量和特征值重構人臉圖，然后將輸入的圖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，用特征向量和特征

值重構后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()函數將人臉圖像映射到特征空間，再用subspaceReconstruct()函數從特征空間重構圖像。

收尾：交互式GUI

利用OpenCV函數很容易繪制一些組件，鼠標點擊等。

以上就是本文的全部內容，希望本文的內容對大家的學習或者工作能帶來一定的幫助，同時也希望多多支持武林網！