從實時視頻流中識別出人臉區域，從原理上看，其依然屬于機器學習的領域之一，本質上與谷歌利用深度學習識別出貓沒有什么區別。程序通過大量的人臉圖片數據進行訓練，利用數學算法建立建立可靠的人臉特征模型，如此即可識別出人臉。幸運的是，這些工作OpenCV已經幫我們做了，我們只需調用對應的API函數即可，先給出代碼：
#-*- coding: utf-8 -*-import cv2import sysfrom PIL import Imagedef CatchUsbVideo(window_name, camera_idx): cv2.namedWindow(window_name) #視頻來源，可以來自一段已存好的視頻，也可以直接來自USB攝像頭 cap = cv2.VideoCapture(camera_idx) #告訴OpenCV使用人臉識別分類器 classfier = cv2.CascadeClassifier("/usr/local/share/OpenCV/haarcascades/haarcascade_frontalface_alt2.xml") #識別出人臉后要畫的邊框的顏色，RGB格式 color = (0, 255, 0) while cap.isOpened(): ok, frame = cap.read() #讀取一幀數據 if not ok: break #將當前幀轉換成灰度圖像 grey = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) #人臉檢測，1.2和2分別為圖片縮放比例和需要檢測的有效點數 faceRects = classfier.detectMultiScale(grey, scaleFactor = 1.2, minNeighbors = 3, minSize = (32, 32)) if len(faceRects) > 0: #大于0則檢測到人臉 for faceRect in faceRects: #單獨框出每一張人臉 x, y, w, h = faceRect cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 2) #顯示圖像 cv2.imshow(window_name, frame) c = cv2.waitKey(10) if c & 0xFF == ord('q'): break #釋放攝像頭并銷毀所有窗口 cap.release() cv2.destroyAllWindows() if __name__ == '__main__': if len(sys.argv) != 2: print("Usage:%s camera_id/r/n" % (sys.argv[0])) else: CatchUsbVideo("識別人臉區域", int(sys.argv[1]))先看一下程序輸出結果：
程序正確的識別出了我的臉，加上空白行不到50行代碼，還是很簡單的。當然，絕大部分的工作OpenCV已經默默地替我們做了，所以我們用起來才這么簡單。關于代碼有幾個地方需要重點交代，首先就是人臉分類器這行：
#告訴OpenCV使用人臉識別分類器classfier = cv2.CascadeClassifier("/usr/local/share/OpenCV/haarcascades/haarcascade_frontalface_alt2.xml")這行代碼指定OpenCV選擇使用哪種分類器（注意，一定習慣分類這個說法，ML的監督學習研究的就是各種分類問題），OpenCV提供了多種分類器：
上圖為我的電腦上安裝的OpenCV3.2提供的所有分類器，有識別眼睛的（甚至包括左右眼），有識別身體的，有識別笑臉的，甚至還有識別貓臉的，有興趣的可以逐個試試。關于人臉識別，OpenCV提供多個分類器選擇使用，其中haarcascade_frontalface_alt_tree.xml是最嚴格的分類器，光線、帶個帽子都有可能識別不出人臉。其它的稍微好點，default那個識別最寬松，某些情況下我家里的燈籠都會被識別成人臉；）。另外安裝環境不同，分類器的安裝路徑也有可能不同，請在安裝完OpenCV后根據分類器的實際安裝路徑修改代碼。另外再多說一句，如果我們想構建自己的分類器，比如檢測火焰（火災報警）、汽車（確定路口汽車數量），我們依然可以使用OpenCV訓練構建，詳細說明參見OpenCV的官方文檔。
接下來解釋如下幾行代碼：
#人臉檢測，1.2和2分別為圖片縮放比例和需要檢測的有效點數faceRects = classfier.detectMultiScale(grey, scaleFactor = 1.2, minNeighbors = 3, minSize = (32, 32))if len(faceRects) > 0: #大于0則檢測到人臉 for faceRect in faceRects: #單獨框出每一張人臉 x, y, w, h = faceRect cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 2)
其中classfier.detectMultiScale()即是完成實際人臉識別工作的函數，該函數參數說明如下：
grey：要識別的圖像數據（即使不轉換成灰度也能識別，但是灰度圖可以降低計算強度，因為檢測的依據是哈爾特征，轉換后每個點的RGB數據變成了一維的灰度，這樣計算強度就減少很多）
scaleFactor：圖像縮放比例，可以理解為同一個物體與相機距離不同，其大小亦不同，必須將其縮放到一定大小才方便識別，該參數指定每次縮放的比例
minNeighbors：對特征檢測點周邊多少有效點同時檢測，這樣可避免因選取的特征檢測點太小而導致遺漏
minSize：特征檢測點的最小值
對同一個畫面有可能出現多張人臉，因此，我們需要用一個for循環將所有檢測到的人臉都讀取出來，然后逐個用矩形框框出來，這就是接下來的for語句的作用。Opencv會給出每張人臉在圖像中的起始坐標（左上角，x、y）以及長、寬（h、w），我們據此就可以截取出人臉。其中，cv2.rectangle()完成畫框的工作，在這里我有意識的外擴了10個像素以框出比人臉稍大一點的區域。cv2.rectangle()函數的最后兩個參數一個用于指定矩形邊框的顏色，一個用于指定矩形邊框線條的粗細程度。
好了，人臉識別的事說清楚了，下一篇該講講如何準備訓練數據了，只有訓練數據足夠多，我們的程序才能識別出這是誰，而不是無論青紅皂白框個人臉就完事。
總結
以上就是本文關于python/279277.html">python/267324.html">python實現人臉識別代碼的全部內容，希望對大家有所幫助。有什么問題可以隨時留言，小編會及時回復大家的。感謝朋友們對本站的支持！
新聞熱點
疑難解答
