Java OpenCV人脸识别如何实现？-杰瑞科技汇

概念区分：人脸检测 vs. 人脸识别

在学习之前,必须先分清这两个概念：

（图片来源网络，侵删）

人脸检测：在一张图片或视频帧中，找到人脸的位置，并用方框把它标记出来，它只回答“哪里有人脸？”这个问题。
人脸识别：在已经检测到人脸的基础上，判断这张脸是谁，它回答“这是谁？”这个问题。

人脸识别通常包括以下步骤：

人脸检测：从图像中裁剪出人脸区域。
特征提取：将裁剪出的人脸图像转换成一个独特的数学向量（也称为“嵌入”或 Embedding），这个向量代表了人脸的唯一特征。
比对：将新的人脸特征向量与数据库中已知人脸的特征向量进行比较，找出最相似的一个。

第一步：环境搭建

安装 Java

确保你已经安装了 JDK 8 或更高版本，并配置好了 JAVA_HOME 环境变量。

下载 OpenCV

你需要下载 OpenCV 的 Java 包，注意，你需要的是包含 Java 库的版本。

访问 OpenCV 官方下载页面：https://opencv.org/releases/
下载最新的版本（opencv-4.x.x）。
解压下载的 ZIP 文件，在解压后的目录中，找到 build/java 文件夹。
- opencv-4.x.x/build/java/opencv-490.jar：这是 Java 的 JAR 包。
- opencv-4.x.x/build/java/x64/opencv_java490.dll (Windows) 或 libopencv_java490.so (Linux)：这是本地库文件。

配置你的 Java 项目（以 IntelliJ IDEA 为例）

创建新项目：创建一个新的 Java Maven 或 Gradle 项目。
添加 JAR 包：
- 手动添加：将 opencv-490.jar 复制到你的 lib 目录下，然后在项目设置中将其添加为库。
- Maven 方式（推荐）：在你的 pom.xml 文件中添加以下依赖，Maven 会自动帮你下载和管理依赖。
```
<dependency>
    <groupId>org.openpnp</groupId>
    <artifactId>opencv</artifactId>
    <version>4.9.0-0</version> 
</dependency>
```
加载本地库：这是最关键的一步，Java 代码需要加载 OpenCV 的本地库（.dll 或 .so 文件）才能工作。
- 方法一（推荐）：将 opencv_java490.dll (Windows) 或 libopencv_java490.so (Linux) 文件复制到你的项目输出目录（通常是 target/classes 或 out/production/你的项目名）。
- 方法二（代码中指定路径）：在代码中明确指定库文件的路径。

第二步：人脸检测

人脸识别的第一步是找到人脸,OpenCV 提供了基于 Haar 级联分类器和基于深度学习（如 DNN 模块）的两种方法，我们这里使用更常用和效果更好的 DNN 模块。

（图片来源网络，侵删）

下载预训练模型

你需要一个预训练好的模型来检测人脸,OpenCV 官方提供了一个基于 Caffe 的模型：

模型文件：deploy.prototxt
权重文件：res10_300x300_ssd_iter_140000.caffemodel

这两个文件可以在 OpenCV 的 GitHub 仓库中找到：https://github.com/opencv/opencv_3rdparty/tree/dnn_samples_face_detector_20250830

下载这两个文件,并放到你的项目资源文件夹（src/main/resources）中。

人脸检测代码示例

import org.opencv.core.*;
import org.opencv.dnn.Dnn;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;
import java.io.File;
public class FaceDetection {
    static {
        // 加载 OpenCV 的本地库
        // dll/so 文件在项目输出目录，可以直接用 System.loadLibrary
        // 否则，需要指定绝对路径
        // System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
        String opencvPath = "D:/path/to/your/opencv/build/java/x64/"; // 修改为你的 OpenCV 路径
        System.load(opencvPath + "opencv_java490.dll");
    }
    public static void main(String[] args) {
        // 1. 加载预训练的 DNN 模型
        String modelWeights = "src/main/resources/res10_300x300_ssd_iter_140000.caffemodel";
        String modelConfig = "src/main/resources/deploy.prototxt";
        Net net = Dnn.readNetFromCaffe(modelConfig, modelWeights);
        // 2. 读取图片
        String imagePath = "path/to/your/image.jpg"; // 替换为你的图片路径
        Mat image = Imgcodecs.imread(imagePath);
        if (image.empty()) {
            System.out.println("无法加载图片: " + imagePath);
            return;
        }
        // 3. 预处理图片
        // DNN 模型通常需要固定大小的输入
        Mat blob = Dnn.blobFromImage(image, 1.0, new Size(300, 300), new Scalar(104, 177, 123), false, false);
        net.setInput(blob);
        // 4. 进行人脸检测
        Mat detections = net.forward();
        // 5. 解析检测结果并绘制
        // detections 矩阵的维度是 [1, N, 7]，N 是检测到的对象数量
        // 每个对象包含 [id, confidence, left, top, right, bottom, ...]
        for (int i = 0; i < detections.rows(); i++) {
            Mat row = detections.row(i);
            double confidence = row.get(0, 2)[0]; // 置信度
            // 设置一个置信度阈值，过滤掉低置信度的检测结果
            if (confidence > 0.7) {
                int x = (int) (row.get(0, 3)[0] * image.cols());
                int y = (int) (row.get(0, 4)[0] * image.rows());
                int width = (int) ((row.get(0, 5)[0] - row.get(0, 3)[0]) * image.cols());
                int height = (int) ((row.get(0, 6)[0] - row.get(0, 4)[0]) * image.rows());
                // 绘制矩形框
                Imgproc.rectangle(image, new Point(x, y), new Point(x + width, y + height), new Scalar(0, 255, 0), 2);
                // 显示置信度
                String label = String.format("Confidence: %.2f", confidence);
                Imgproc.putText(image, label, new Point(x, y - 10), Imgproc.FONT_HERSHEY_SIMPLEX, 0.5, new Scalar(0, 255, 0), 1);
            }
        }
        // 6. 保存结果图片
        Imgcodecs.imwrite "detected_faces.jpg", image);
        System.out.println("人脸检测完成，结果已保存为 detected_faces.jpg");
    }
}

运行这段代码后,你会在项目目录下得到一张标记了人脸方框的图片。

（图片来源网络，侵删）

第三步：人脸识别

人脸识别的核心是提取特征向量,我们将使用 OpenCV 的 FaceRecognizer API，它支持几种经典的算法（如 Eigenfaces, Fisherfaces, LBPH），这里我们选择 LBPH (Local Binary Patterns Histograms)，因为它对光照变化不敏感，且易于使用。

准备数据集

为了进行识别,你需要一个包含多个人脸的数据库，数据集的组织结构如下：

dataset/
├── person1/
│   ├── 1.jpg
│   ├── 2.jpg
│   └── ...
├── person2/
│   ├── 1.jpg
│   ├── 2.jpg
│   └── ...
└── ...

每个文件夹代表一个不同的人。
文件夹名就是人的标签（"person1", "person2"）。
每个文件夹里存放这个人的多张不同角度、不同光照下的照片。

训练模型并识别

我们将编写一个程序,完成以下任务：

从 dataset 目录加载所有的人脸图片和对应的标签。
使用这些数据训练一个 LBPH 人脸识别器。
加载一张待识别的图片。
在待识别图片中检测人脸。
将检测到的人脸输入到训练好的识别器中,得到识别结果。

import org.opencv.core.*;
import org.opencv.dnn.Dnn;
import org.opencv.face.Face;
import org.opencv.face.FaceRecognizer;
import org.opencv.face LBPHFaceRecognizer;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;
import org.opencv.objdetect.CascadeClassifier;
import java.io.File;
import java.io.FilenameFilter;
import java.nio.IntBuffer;
import java.util.ArrayList;
import java.util.List;
public class FaceRecognition {
    static {
        // 加载 OpenCV 的本地库
        String opencvPath = "D:/path/to/your/opencv/build/java/x64/"; // 修改为你的 OpenCV 路径
        System.load(opencvPath + "opencv_java490.dll");
    }
    public static void main(String[] args) {
        // 1. 准备训练数据
        String trainingDir = "path/to/your/dataset"; // 你的数据集路径
        File root = new File(trainingDir);
        // 用于存储人脸数据和标签
        List<Mat> images = new ArrayList<>();
        List<Integer> labels = new ArrayList<>();
        Integer label = 0;
        // Haar 级联分类器用于人脸检测（也可以用上面的 DNN 模型）
        String haarCascadePath = "D:/path/to/opencv/data/haarcascades/haarcascade_frontalface_alt.xml"; // OpenCV 安装路径下的分类器
        CascadeClassifier faceDetector = new CascadeClassifier(haarCascadePath);
        if (faceDetector.empty()) {
            System.out.println("无法加载 Haar 级联分类器");
            return;
        }
        // 遍历数据集文件夹
        File[] classDirs = root.listFiles(File::isDirectory);
        if (classDirs == null) return;
        for (File classDir : classDirs) {
            File[] imageFiles = classDir.listFiles((dir, name) -> name.endsWith(".jpg") || name.endsWith(".png"));
            if (imageFiles == null || imageFiles.length == 0) continue;
            for (File imageFile : imageFiles) {
                Mat image = Imgcodecs.imread(imageFile.getAbsolutePath(), Imgcodecs.IMREAD_GRAYSCALE); // 转为灰度图
                if (image.empty()) continue;
                // 检测人脸
                MatOfRect faceDetections = new MatOfRect();
                faceDetector.detectMultiScale(image, faceDetections);
                // 如果检测到人脸，则添加到训练数据中
                if (!faceDetections.empty()) {
                    // 通常取检测到的人脸中最大的一个
                    Rect largestFace = findLargestFace(faceDetections.toArray());
                    Mat faceROI = image.submat(largestFace);
                    images.add(faceROI);
                    labels.add(label);
                }
            }
            label++; // 每个文件夹处理完后，标签加1
        }
        if (images.isEmpty()) {
            System.out.println("未找到任何可用于训练的人脸图像");
            return;
        }
        // 2. 训练 LBPH 模型
        FaceRecognizer recognizer = LBPHFaceRecognizer.create();
        Mat labelsMat = new Mat(labels.size(), 1, CvType.CV_32SC1);
        for (int i = 0; i < labels.size(); i++) {
            labelsMat.put(i, 0, labels.get(i));
        }
        recognizer.train(new MatList(images), labelsMat);
        System.out.println("模型训练完成！");
        // 3. 识别新图片中的人脸
        String testImagePath = "path/to/your/test_image.jpg"; // 你的测试图片路径
        Mat testImage = Imgcodecs.imread(testImagePath);
        Mat testImageGray = new Mat();
        Imgproc.cvtColor(testImage, testImageGray, Imgproc.COLOR_BGR2GRAY);
        MatOfRect testFaceDetections = new MatOfRect();
        faceDetector.detectMultiScale(testImageGray, testFaceDetections);
        for (Rect rect : testFaceDetections.toArray()) {
            Mat testFaceROI = testImageGray.submat(rect);
            // 进行预测
            IntBuffer labelBuf = IntBuffer.allocate(1);
            DoubleBuffer confidenceBuf = DoubleBuffer.allocate(1);
            recognizer.predict(testFaceROI, labelBuf, confidenceBuf);
            int predictedLabel = labelBuf.get();
            double confidence = confidenceBuf.get();
            // 设置一个置信度阈值，低于此阈值则认为是未知人脸
            if (confidence < 70.0) { // 这个阈值需要根据你的模型和数据集调整
                String predictedName = classDirs[predictedLabel].getName();
                Imgproc.rectangle(testImage, new Point(rect.x, rect.y), new Point(rect.x + rect.width, rect.y + rect.height), new Scalar(0, 255, 0), 2);
                Imgproc.putText(testImage, predictedName, new Point(rect.x, rect.y - 10), Imgproc.FONT_HERSHEY_SIMPLEX, 1, new Scalar(0, 255, 0), 2);
            } else {
                Imgproc.rectangle(testImage, new Point(rect.x, rect.y), new Point(rect.x + rect.width, rect.y + rect.height), new Scalar(0, 0, 255), 2);
                Imgproc.putText(testImage, "Unknown", new Point(rect.x, rect.y - 10), Imgproc.FONT_HERSHEY_SIMPLEX, 1, new Scalar(0, 0, 255), 2);
            }
        }
        // 4. 保存识别结果
        Imgcodecs.imwrite("recognized_faces.jpg", testImage);
        System.out.println("人脸识别完成，结果已保存为 recognized_faces.jpg");
    }
    // 辅助函数：找到最大的人脸
    private static Rect findLargestFace(Rect[] faces) {
        if (faces == null || faces.length == 0) {
            return new Rect();
        }
        Rect largestFace = faces[0];
        int maxArea = largestFace.width * largestFace.height;
        for (Rect face : faces) {
            int area = face.width * face.height;
            if (area > maxArea) {
                maxArea = area;
                largestFace = face;
            }
        }
        return largestFace;
    }
}

总结与进阶

核心流程回顾：
1. 环境配置：下载 OpenCV，配置 JAR 和本地库。
2. 人脸检测：使用 DNN 或 Haar 级联分类器定位人脸。
3. 数据准备：为识别任务整理好人脸数据集（每人一个文件夹）。
4. 模型训练：使用 FaceRecognizer (如 LBPH) 训练一个识别模型。
5. 人脸识别：用训练好的模型对检测到的人脸进行预测，得到身份和置信度。
进阶方向：
1. 更先进的特征提取：LBPH 是传统方法，效果有限，现代人脸识别通常使用深度学习模型提取特征，如 FaceNet、DeepFace 等，这些模型能生成更具区分度的特征向量，识别率更高。
  实现方式：可以使用 OpenCV 的 DNN 模块加载这些预训练模型（如 TensorFlow 或 Caffe 格式的模型），然后提取人脸图像的特征向量，再使用余弦相似度或欧氏距离来比对。
2. 实时视频流处理：将上述逻辑应用到摄像头视频流中，使用 VideoCapture 类捕获每一帧，然后进行检测和识别。
3. 人脸数据库：在实际应用中，你可能需要一个数据库（如 MySQL, SQLite）来存储用户信息和他们的人脸特征向量，而不是像示例中那样依赖文件系统。
4. 多线程处理：为了提高视频处理的性能，可以将人脸检测和识别放在不同的线程中。

希望这份详细的指南能帮助你成功地在 Java 中使用 OpenCV 进行人脸识别！

Java OpenCV人脸识别如何实现？

概念区分：人脸检测 vs. 人脸识别

第一步：环境搭建

安装 Java

下载 OpenCV

配置你的 Java 项目（以 IntelliJ IDEA 为例）

第二步：人脸检测

下载预训练模型

人脸检测代码示例

第三步：人脸识别

准备数据集

训练模型并识别

总结与进阶

99ANYc3cd6

Java Session究竟是什么？

java 转化为integer

python里indexerror

Java Integer判空，null和0如何区分？

Step7v5.5安装教程，具体步骤是怎样的？

Java Socket编程实例具体怎么实现？

Java HTML如何转PDF？

python-docx如何高效操作Word文档？

Python如何操作ZooKeeper？

Protel99se教程从哪开始学？

Linux下Python Flask如何快速入门？

python dict map 区别

tuxedo与wtc在java

Python manuals PDF哪里找？

Python安装setuptools步骤详解？

java子类对象赋值给父类对象

Java OpenCV人脸识别如何实现？

概念区分：人脸检测 vs. 人脸识别

第一步：环境搭建

安装 Java

下载 OpenCV

配置你的 Java 项目（以 IntelliJ IDEA 为例）

第二步：人脸检测

下载预训练模型

人脸检测代码示例

第三步：人脸识别

准备数据集

训练模型并识别

总结与进阶

相关推荐

Java Socket编程实例具体怎么实现？