python opencv 人脸识别-杰瑞科技汇

核心概念：人脸检测 vs. 人脸识别
环境准备
人脸检测
- 使用 Haar 级联分类器
- 使用 DNN 模型（更推荐）
人脸识别
- 使用 OpenCV 的 LBPH (Local Binary Patterns Histograms) 人脸识别器
- 完整代码示例：从检测到识别
进阶与最佳实践
- 使用更先进的模型（如 FaceNet, DeepFace）
- 处理视频流
- 性能优化

核心概念：人脸检测 vs. 人脸识别

这是两个经常被混淆但完全不同的概念：

（图片来源网络，侵删）

人脸检测：目标是找到图像中人脸的位置，它只回答“哪里有人脸？”，不关心这个人是谁，它的输出通常是图像中人脸的边界框坐标。
- 应用场景：人脸解锁、美颜相机、拍照时自动对焦。
人脸识别：目标是识别出人脸的身份，它回答“这是谁？”，这个过程通常包括人脸检测，然后提取人脸的特征，并与数据库中已知人脸的特征进行比对。
- 应用场景：手机解锁、门禁系统、身份验证。

流程总结：人脸识别 的流程通常是：图像 -> 人脸检测 -> 人脸对齐/裁剪 -> 特征提取 -> 特征比对,我们今天要实现的就是这个完整流程。

环境准备

你需要安装必要的库。

# 安装 OpenCV
pip install opencv-python
# 安装 NumPy (OpenCV 内部依赖)
pip install numpy
# 可选：用于更高级的人脸识别模型
pip install tensorflow
pip install deepface

重要：获取预训练模型文件

OpenCV 自带了一些预训练模型,我们需要下载它们。

（图片来源网络，侵删）

人脸检测模型：
- Haar 级联模型：文件名 haarcascade_frontalface_default.xml，这是一个经典但速度较快、准确率一般的模型。
- DNN 模型：文件名 opencv_face_detector_uint8.pb 和 opencv_face_detector.pbtxt，这是一个基于 Caffe 模型的现代 DNN，准确率更高,推荐使用。
- 下载地址：你可以从 OpenCV 的 GitHub 仓库或官方模型库下载，这里提供一个常用的下载链接：
  - Haar 级联模型
  - DNN 模型 (pb 和 pbtxt)
下载后，将这两个文件（或 Haar 文件）放在你的 Python 脚本同目录下的一个 models 文件夹中,以便代码可以找到它们。
人脸识别模型：
- OpenCV 提供了三种内置的人脸识别算法：Eigenfaces, Fisherfaces, 和 LBPH。
- 我们将使用 LBPH，因为它对光照变化和姿态变化不那么敏感,效果最好。
- 训练数据：这些模型需要你自己提供一组已知人物的人脸图片来进行训练,模型会学习这些人的特征。

步骤一：人脸检测

我们先来看如何检测人脸。

（图片来源网络，侵删）

方法 A：使用 Haar 级联分类器 (简单)

import cv2
# 加载 Haar 级联分类器
face_cascade = cv2.CascadeClassifier('models/haarcascade_frontalface_default.xml')
# 读取图像
img = cv2.imread('test.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为灰度图像，检测更快
# 检测人脸
# scaleFactor: 图像缩放比例，用于构建图像金字塔
# minNeighbors: 每个候选矩形应包含的邻近像素点数，值越大，检测越严格，越不容易误检
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)
# 在检测到的人脸周围画矩形
for (x, y, w, h) in faces:
    cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)
# 显示结果
cv2.imshow('Faces detected with Haar', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

方法 B：使用 DNN 模型 (推荐)

这种方法更准确,是现代应用的首选。

import cv2
# 加载模型
# pbtxt 是模型配置文件，pb 是模型权重文件
net = cv2.dnn.readNetFromTensorflow('models/opencv_face_detector_uint8.pb', 'models/opencv_face_detector.pbtxt')
# 读取图像
img = cv2.imread('test.jpg')
(h, w) = img.shape[:2]
# 从输入图像创建一个 "blob" (二进制大对象)
# 300x300 是 DNN 模型期望的输入尺寸
# 1.0 是缩放因子，0.0 是均值减法
blob = cv2.dnn.blobFromImage(img, scalefactor=1.0, size=(300, 300), mean=(104.0, 177.0, 123.0))
# 将 blob 设置为网络的输入
net.setInput(blob)
# 前向传播，获取检测结果
detections = net.forward()
# 遍历检测结果
for i in range(detections.shape[2]):
    confidence = detections[0, 0, i, 2] # 获取检测置信度
    # 设置一个置信度阈值，过滤掉低置信度的检测
    if confidence > 0.7:
        # 计算人脸边界框的坐标
        box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
        (startX, startY, endX, endY) = box.astype("int")
        # 确保边界框在图像范围内
        (startX, startY) = (max(0, startX), max(0, startY))
        (endX, endY) = (min(w - 1, endX), min(h - 1, endY))
        # 画矩形
        cv2.rectangle(img, (startX, startY), (endX, endY), (0, 255, 0), 2)
# 显示结果
cv2.imshow('Faces detected with DNN', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

步骤二：人脸识别 (使用 LBPH)

现在我们来整合检测和识别，我们将创建一个简单的系统，可以识别出图像中的某个人是否是预先注册的 "Alice" 或 "Bob"。

完整代码示例

这个示例需要你创建一个 dataset 文件夹，里面为每个已知人物创建一个子文件夹,并放入他们的人脸照片。

目录结构:

.
├── face_recognition.py
├── models/
│   ├── opencv_face_detector_uint8.pb
│   └── opencv_face_detector.pbtxt
└── dataset/
    ├── person1/
    │   ├── person1_1.jpg
    │   └── person1_2.jpg
    └── person2/
        ├── person2_1.jpg
        └── person2_2.jpg

face_recognition.py 代码:

import cv2
import numpy as np
import os
# --- 1. 准备数据 ---
# 创建人脸识别器
recognizer = cv2.face.LBPHFaceRecognizer_create()
# 准备训练数据
def prepare_training_data(data_folder_path):
    dirs = os.listdir(data_folder_path)
    faces = []
    labels = []
    label_ids = {}
    current_id = 0
    for person_name in dirs:
        person_dir_path = os.path.join(data_folder_path, person_name)
        if not os.path.isdir(person_dir_path):
            continue
        images = os.listdir(person_dir_path)
        for image_name in images:
            if image_name.endswith('.jpg') or image_name.endswith('.png'):
                image_path = os.path.join(person_dir_path, image_name)
                image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
                # 使用 Haar 级联检测器找到人脸
                # 注意：这里假设每张图里只有一张人脸
                face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
                faces_detected = face_cascade.detectMultiScale(image, scaleFactor=1.1, minNeighbors=5)
                for (x, y, w, h) in faces_detected:
                    face_roi = image[y:y+h, x:x+w]
                    faces.append(face_roi)
                    # 为每个人分配一个唯一的 ID
                    if person_name not in label_ids:
                        label_ids[person_name] = current_id
                        current_id += 1
                    labels.append(label_ids[person_name])
    return faces, labels, label_ids
# --- 2. 训练模型 ---
print("Preparing data...")
faces, labels, label_ids = prepare_training_data("dataset")
print(f"Data prepared. {len(faces)} faces and {len(labels)} labels found.")
print("Training the model...")
# 训练 LBPH 模型
recognizer.train(faces, np.array(labels))
print("Model trained successfully.")
# 保存模型和标签映射，以便下次使用
recognizer.save("trainer.yml")
# 注意：label_ids 需要单独保存，因为 LBPH 模型只保存了ID，不保存名字
np.save("label_ids.npy", label_ids)
print("Model and label IDs saved.")
# --- 3. 进行识别 ---
# 加载已训练的模型和标签
recognizer.read("trainer.yml")
label_ids = np.load("label_ids.npy", allow_pickle=True).item()
# 创建一个反向映射，从ID到名字
id_to_name = {v: k for k, v in label_ids.items()}
# 加载 DNN 人脸检测器（推荐）
net = cv2.dnn.readNetFromTensorflow('models/opencv_face_detector_uint8.pb', 'models/opencv_face_detector.pbtxt')
# 读取一张待识别的图片
test_image_path = "test.jpg"
img = cv2.imread(test_image_path)
(h, w) = img.shape[:2]
# 创建 blob 并进行人脸检测
blob = cv2.dnn.blobFromImage(img, scalefactor=1.0, size=(300, 300), mean=(104.0, 177.0, 123.0))
net.setInput(blob)
detections = net.forward()
# 遍历检测到的人脸
for i in range(detections.shape[2]):
    confidence = detections[0, 0, i, 2]
    if confidence > 0.7:
        box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
        (startX, startY, endX, endY) = box.astype("int")
        # 裁剪人脸区域
        face_roi = img[startY:endY, startX:endX]
        # 将人脸区域转换为灰度图
        gray_roi = cv2.cvtColor(face_roi, cv2.COLOR_BGR2GRAY)
        # 使用训练好的识别器进行预测
        label_id, confidence = recognizer.predict(gray_roi)
        # 获取预测的名字
        predicted_name = id_to_name.get(label_id, "Unknown")
        # 在图像上显示结果
        text = f"{predicted_name} ({confidence:.2f})"
        cv2.rectangle(img, (startX, startY), (endX, endY), (0, 255, 0), 2)
        cv2.putText(img, text, (startX, startY - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)
# 显示最终结果
cv2.imshow('Face Recognition Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

进阶与最佳实践

A. 使用更先进的模型 (FaceNet, DeepFace)

OpenCV 内置的 LBPH 模型虽然简单，但准确率有限，对于要求更高的应用,可以考虑使用深度学习模型。

DeepFace：这是一个基于 Python 的强大人脸识别库，封装了 FaceNet, VGG-Face, Google FaceNet, OpenFace 等多种 SOTA 模型,使用起来非常方便。

pip install deepface

from deepface import DeepFace
# 验证两张图片是否为同一个人
result = DeepFace.verify(img1_path, img2_path)
print(result) # 返回一个包含 'verified' (布尔值) 和 'distance' 的字典
# 识别图片中的人是谁
df = DeepFace.find(img_path = "test.jpg", db_path = "dataset")
print(df) # 返回一个 DataFrame，包含匹配的图片和人物信息

DeepFace 是快速原型开发和实现高精度人脸识别的最佳选择。

B. 处理视频流

识别静态图片很简单，但识别视频（如摄像头实时画面）是常见需求，核心思路是循环读取视频帧,对每一帧执行上述的检测和识别逻辑。

import cv2
# ... (加载模型、识别器等代码与上面相同) ...
# 打开摄像头
cap = cv2.VideoCapture(0) # 0 表示默认摄像头
while True:
    # 读取一帧
    ret, frame = cap.read()
    if not ret:
        break
    # ... (将上面的 DNN 检测和识别逻辑放在这里，对 'frame' 进行处理) ...
    # 
    # blob = cv2.dnn.blobFromImage(frame, ...)
    # ... (检测和识别代码) ...
    # cv2.imshow('Video', frame_with_labels)
    # 显示处理后的帧
    cv2.imshow('Video', frame)
    # 按 'q' 键退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
# 释放资源
cap.release()
cv2.destroyAllWindows()

C. 性能优化

降低分辨率：对于视频流，可以适当降低输入帧的分辨率,以加快处理速度。
跳帧处理：不一定需要对每一帧都进行人脸识别,可以每隔几帧处理一次。
多线程：可以将人脸检测和特征提取/比对放在不同的线程中，实现流水线处理,提高效率。
使用 GPU：如果你的 OpenCV 是支持 CUDA 的版本，可以将 DNN 模型加载到 GPU 上进行加速。

希望这份详细的指南能帮助你从零开始使用 Python 和 OpenCV 进行人脸识别！

python opencv 人脸识别

目录

核心概念：人脸检测 vs. 人脸识别

环境准备

步骤一：人脸检测

方法 A：使用 Haar 级联分类器 (简单)

方法 B：使用 DNN 模型 (推荐)

步骤二：人脸识别 (使用 LBPH)

完整代码示例

进阶与最佳实践

A. 使用更先进的模型 (FaceNet, DeepFace)

B. 处理视频流

C. 性能优化

99ANYc3cd6

Java replace替换时，为何有时未生效？

iPhone5s换屏幕教程详细步骤是什么？

CAXA线切割XP实例教程怎么学？