树莓派3B+ 人脸识别(OpenCV)

大家好，又见面了，我是你们的朋友全栈君。

树莓派3B+ 人脸识别(OpenCV)

相信大家都看了前面的OpenCV安装和人脸检测教程，已经跃跃欲试，想要进行人脸识别了，现在我们正式进入重头戏——人脸识别 的教程。
注意：该教程面向python2.7+OpenCV2.4.9(官方源)
其它版本需进行一些小的修改，文中会具体注明。

1.生成人脸识别数据

目录结构
./data 数据根目录
./data/generate 自动生成的人脸数据
./data/datamap.csv 人脸数据对应数据
./data/Mengcheng 人物一文件夹
./data/Kaixin 人物二文件夹
./data/Mengying 人物三文件夹
（这里三个人物可自行修改，文件夹为人物名，里面存放图片）

// python脚本，请保存为genrate.py
#!/usr/bin/env python
#coding=utf-8
import cv2
import os  
import sys

face_cascade=cv2.CascadeClassifier('/usr/share/opencv/haarcascades/haarcascade_frontalface_default.xml')

def makedir(path):
    path=path.strip().rstrip('/')
    if os.path.exists(path) is False:
        os.makedirs( path );

def generate(root_argv,dirname):
    subject_dir_path = os.path.join(root_argv, dirname)
    print 'seek:'+subject_dir_path
    count=0
    for filename in os.listdir(subject_dir_path): 
        if filename == ".directory":
            continue
        imgPath = os.path.join(subject_dir_path, filename)
        try:
            print 'read:'+imgPath
            img = cv2.imread(imgPath)
            gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
            outdir=os.path.join(root_argv,'generate',dirname)
            makedir(outdir)
            faces=face_cascade.detectMultiScale(gray,1.3,5)
            for x,y,w,h in faces:
                f=cv2.resize(gray[y:y+h,x:x+w],(200,200))
                outPath=os.path.join(root_argv,'generate',dirname,'%s.pgm' % str(count))
                print 'write:'+ outPath
                cv2.imwrite(outPath, f)
                count+=1

        except:
            pass


if __name__ == '__main__':
    if len(sys.argv)==1:
        print ("USAGE: generate.py <人脸图片存放路径>")
        exit(0)

    root_argv=sys.argv[1]
    for dirname in os.listdir(root_argv):
        file_path = os.path.join(root_argv, dirname)  
        if os.path.isdir(file_path): 
            if dirname == 'generate':
                continue
            generate(root_argv,dirname)

在控制台执行python generate.py ./data即可自动生成人脸识别数据
生成后，请自行打开./data/generate/下生成人脸数据是否正常，如果不正常的，请清理掉，防止后续有干扰。如图：

2.生成人脸数据对应表

人脸数据生成了，还得有一个人物<->名称映射表，让机器知道人脸数据对应那个人物。

// python脚本，请保存为create_csv.py
#!/usr/bin/env python
#coding=utf-8
import sys
import os.path
#import Image
if __name__ == '__main__':
    if len(sys.argv) != 2:
        print "usage: create_csv.py <生成的人脸数据路径>"
        sys.exit(0)

    BASE_PATH=sys.argv[1]
    SEPARATOR=";"
    label = 0
    for dirpath, dirnames, filenames in os.walk(BASE_PATH): 
        for subdirname in dirnames:
            subject_path = os.path.join(dirpath, subdirname) 
            #print subject_path
            for filename in os.listdir(subject_path):
                image_filename = subject_path + "/"+ filename 
                #print(image_filename) 
                #img=Image.open(image_filename)
                ## img=img.resize((92,112))
                #img.show()
                abs_path = "%s/%s" % (subject_path, filename) 
                print("%s%s%d"%(abs_path,SEPARATOR, label))
                # print("%s"%(abs_path)) 
            label = label + 1

然后执行python create_csv.py ./data/generate/ > ./data/datamap.csv
打开生成的datamap.csv文件，检查对应关系（如图所示）：

这样，人脸数据就准备好了。

3.人脸识别

使用样图，使用树莓派摄像头获取图片。

// python脚本，请保存为facerec.py
#!/usr/bin/env python
#coding=utf-8
### Imports ###################################################################
import multiprocessing as mp
import cv2
import os
import sys
import time
import numpy as np
### Setup #####################################################################
resX = 640
resY = 480
# The face cascade file to be used
face_cascade = cv2.CascadeClassifier('/usr/share/opencv/lbpcascades/lbpcascade_frontalface.xml')
#三种识别算法
#model = cv2.createEigenFaceRecognizer()
model = cv2.createFisherFaceRecognizer()
#model = cv2.createLBPHFaceRecognizer()
t_start = time.time()
fps = 0
### Helper Functions ##########################################################
def normalize(X, low, high, dtype=None):
"""Normalizes a given array in X to a value between low and high."""
X = np.asarray(X)
minX, maxX = np.min(X), np.max(X)
# normalize to [0...1].
X = X - float(minX)
X = X / float((maxX - minX))
# scale to [low...high].
X = X * (high-low)
X = X + low
if dtype is None:
return np.asarray(X)
return np.asarray(X, dtype=dtype)
def load_images(path, sz=None):
c = 0
X,y = [], []
for dirname, dirnames, filenames in os.walk(path):
for subdirname in dirnames:
subject_path = os.path.join(dirname, subdirname)
for filename in os.listdir(subject_path):
try:
filepath = os.path.join(subject_path, filename)
if os.path.isdir(filepath):
continue
img = cv2.imread(os.path.join(subject_path, filename), cv2.IMREAD_GRAYSCALE)
if (img is None):
print ("image " + filepath + " is none")
else:
print (filepath)
# resize to given size (if given)
if (sz is not None):
img = cv2.resize(img, (200, 200))
X.append(np.asarray(img, dtype=np.uint8))
y.append(c)
# except IOError, (errno, strerror):
# print ("I/O error({0}): {1}".format(errno, strerror))
except:
print ("Unexpected error:", sys.exc_info()[0])
raise
print (c)
c = c+1
print (y)
return [X,y]
def get_faces( img ):
gray = cv2.cvtColor( img, cv2.COLOR_BGR2GRAY )
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
return faces, img, gray
def draw_frame( faces, img, gray ):
global xdeg
global ydeg
global fps
global time_t
# Draw a rectangle around every face
for ( x, y, w, h ) in faces:
cv2.rectangle( img, ( x, y ),( x + w, y + h ), ( 200, 255, 0 ), 2 )
#-----rec-face
roi = gray[x:x+w, y:y+h]
try:
roi = cv2.resize(roi, (200, 200), interpolation=cv2.INTER_LINEAR)
params = model.predict(roi)
sign=("%s %.2f" % (names[params[0]], params[1]))
cv2.putText(img, sign, (x, y-2), cv2.FONT_HERSHEY_SIMPLEX, 0.5, ( 0, 0, 255 ), 2 )
if (params[0] == 0):
cv2.imwrite('face_rec.jpg', img)
except:
continue
# Calculate and show the FPS
fps = fps + 1
sfps = fps / (time.time() - t_start)
cv2.putText(img, "FPS : " + str( int( sfps ) ), ( 10, 15 ), cv2.FONT_HERSHEY_SIMPLEX, 0.5, ( 0, 0, 255 ), 2 )
cv2.imshow( "recognize-face", img )
### Main ######################################################################
if __name__ == '__main__':
camera = cv2.VideoCapture(0)
camera.set(cv2.cv.CV_CAP_PROP_FRAME_WIDTH,resX)  
camera.set(cv2.cv.CV_CAP_PROP_FRAME_HEIGHT,resY) 
pool = mp.Pool( processes=4 )
# -----------init-rec----------
# 人名要与datamap.csv里面的对应，不要弄错了顺序
names = ['Mengying', 'Kaixin', 'Mengcheng']
if len(sys.argv) < 2:
print ("USAGE: facerec.py <人脸数据存放路径> [<数据对应表>]")
sys.exit()
[X,y] = load_images(sys.argv[1])
y = np.asarray(y, dtype=np.int32)
if len(sys.argv) == 3:
out_dir = sys.argv[2]
model.train(np.asarray(X), np.asarray(y))
# ------init finish---------
read, img = camera.read()
pr1 = pool.apply_async( get_faces, [ img ] )   
read, img = camera.read()
pr2 = pool.apply_async( get_faces, [ img ] )  
read, img = camera.read() 
pr3 = pool.apply_async( get_faces, [ img ] )   
read, img = camera.read()
pr4 = pool.apply_async( get_faces, [ img ] )    
fcount = 1
while (True):
read, img = camera.read()
if   fcount == 1:
pr1 = pool.apply_async( get_faces, [ img ] )
faces, img, gray=pr2.get()
draw_frame( faces, img, gray )
elif fcount == 2:
pr2 = pool.apply_async( get_faces, [ img ] )
faces, img, gray=pr3.get()
draw_frame( faces, img, gray )
elif fcount == 3:
pr3 = pool.apply_async( get_faces, [ img ] )
faces, img, gray=pr4.get()
draw_frame( faces, img, gray )
elif fcount == 4:
pr4 = pool.apply_async( get_faces, [ img ] )
faces, img, gray=pr1.get()
draw_frame( faces, img, gray )
fcount = 0
fcount += 1
if cv2.waitKey(1000 // 12) & 0xff == ord("q"):
break
camera.release()
cv2.destroyAllWindows()

注意：这里对于OpenCV3的版本需要修改如下内容：
cv2.createEigenFaceRecognizer()
—>cv2.face.createEigenFaceRecognizer()
cv2.rectangle()
—>img=cv2.rectangle()

然后执行python facerec.py ./data/generate ./data/datamap.csv，此时，摄像头会自动打开，在显示屏上可以看到画面，如图：

如果想测试得更理想，应选择脸型差别比较大的来测试，其次是素材高清一些，摄像头成像清晰一些。

4.扩展资料

对于OpenCV有三种人脸识别方法，它们分别基于三种不同的算法：Eigenfaces、Fisherfaces和Local Binary Pattern Histogram（LBPH）。

首先，所有的方法都有类似的过积，即都使用了分好类的训练数据集（人脸数据库，每 个人都有很多样本）来进行“训练”，对图像或视频中检测到的人脸进行分析，并从两方面来确定：是否识别到目标，目标真正被识别到的置信度的度量，这也称为置信度评分。

• Eigenfaces是通过PCA来处理的。PCA是计算机视觉中提到最多的数学概。PCA的本质是识别某个训练集上（比如人脸数据库）的主成分，并计算出训练集（图像或帧中检测到的人脸）相对于数据库的发散程度，并输出一个值。该值越小，表明人脸数据库和检测到的人脸之间差别就越小；0值表示完全匹配。

• Fisherfaces是从PCA衍生并发展起来的概念，它采用更复杂的逻辑。尽管计算更加密集，但比Eigenfaces更容易得到准确的效果。

• LBPH粗略地（在非常高的层次上）将检测到的人脸分成小单元，并将其与模型中的对应单元进行比较，对每个区域的匹配值产生一个直方图。由于这种方法的灵活性．LBPH是唯一允许模型样本人脸和检测到的人脸在形状、大小上可以不同的人脸识别算法。个人认为这是最准确的算法，但是每个算法都有其长处和缺点。

5.扩展书籍

看较多网友对此文章有较多疑问，但我也没有较深入去研究具体原理。故无法对你们的提问作出准确的解答，在此推荐一本书给大家，相信能化解你们的疑问![本文章代码也有部分来自此书]
OpenCV 3计算机视觉 Python语言实现(第二版)