使用带有网络摄像头的Python和 OpenCV 进行人脸检测

OpenCV 是一个库，用于使用诸如Python之类的编程语言进行图像处理。该项目利用 OpenCV 库使用您的网络摄像头作为主摄像头进行实时人脸检测。
以下是它的要求：-

1. Python2.7
2. 开放式CV
3. 麻木的
4. Haar Cascade 正面人脸分类器

使用的方法/算法：

1. 该项目使用 LBPH（Local Binary Patterns Histograms）算法来检测人脸。它通过对每个像素的邻域进行阈值处理来标记图像的像素，并将结果视为二进制数。
2. LBPH 使用 4 个参数：
   (i) 半径：半径用于构建圆形局部二值模式，表示周围的半径
   中心像素。
   (ii) 邻居：构建圆形局部二进制模式的样本点数。
   (iii) 网格 X：水平方向上的单元格数。
   (iv) Grid Y：垂直方向的单元格数。
3. 所构建的模型使用带有标签的人脸进行训练，然后，机器得到一个测试数据，机器为其决定正确的标签。

如何使用 ：

1. 在你的电脑上创建一个目录并命名它（比如项目）
2. 创建两个Python文件，分别命名为create_data.py和face_recognize.py，分别复制第一个源代码和第二个源代码。
3. 将haarcascade_frontalface_default.xml复制到工程目录下，可以在opencv或者从
   这里。
4. 您现在已准备好运行以下代码。

Python

# Creating database
# It captures images and stores them in datasets
# folder under the folder name of sub_data
import cv2, sys, numpy, os
haar_file = 'haarcascade_frontalface_default.xml'
 
# All the faces data will be
#  present this folder
datasets = 'datasets' 
 
 
# These are sub data sets of folder,
# for my faces I've used my name you can
# change the label here
sub_data = 'vivek'    
 
path = os.path.join(datasets, sub_data)
if not os.path.isdir(path):
    os.mkdir(path)
 
# defining the size of images
(width, height) = (130, 100)   
 
#'0' is used for my webcam,
# if you've any other camera
#  attached use '1' like this
face_cascade = cv2.CascadeClassifier(haar_file)
webcam = cv2.VideoCapture(0)
 
# The program loops until it has 30 images of the face.
count = 1
while count < 30:
    (_, im) = webcam.read()
    gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray, 1.3, 4)
    for (x, y, w, h) in faces:
        cv2.rectangle(im, (x, y), (x + w, y + h), (255, 0, 0), 2)
        face = gray[y:y + h, x:x + w]
        face_resize = cv2.resize(face, (width, height))
        cv2.imwrite('% s/% s.png' % (path, count), face_resize)
    count += 1
     
    cv2.imshow('OpenCV', im)
    key = cv2.waitKey(10)
    if key == 27:
        break

在为人脸训练模型后，应运行以下代码：

Python

# It helps in identifying the faces
import cv2, sys, numpy, os
size = 4
haar_file = 'haarcascade_frontalface_default.xml'
datasets = 'datasets'
 
# Part 1: Create fisherRecognizer
print('Recognizing Face Please Be in sufficient Lights...')
 
# Create a list of images and a list of corresponding names
(images, labels, names, id) = ([], [], {}, 0)
for (subdirs, dirs, files) in os.walk(datasets):
    for subdir in dirs:
        names[id] = subdir
        subjectpath = os.path.join(datasets, subdir)
        for filename in os.listdir(subjectpath):
            path = subjectpath + '/' + filename
            label = id
            images.append(cv2.imread(path, 0))
            labels.append(int(label))
        id += 1
(width, height) = (130, 100)
 
# Create a Numpy array from the two lists above
(images, labels) = [numpy.array(lis) for lis in [images, labels]]
 
# OpenCV trains a model from the images
# NOTE FOR OpenCV2: remove '.face'
model = cv2.face.LBPHFaceRecognizer_create()
model.train(images, labels)
 
# Part 2: Use fisherRecognizer on camera stream
face_cascade = cv2.CascadeClassifier(haar_file)
webcam = cv2.VideoCapture(0)
while True:
    (_, im) = webcam.read()
    gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray, 1.3, 5)
    for (x, y, w, h) in faces:
        cv2.rectangle(im, (x, y), (x + w, y + h), (255, 0, 0), 2)
        face = gray[y:y + h, x:x + w]
        face_resize = cv2.resize(face, (width, height))
        # Try to recognize the face
        prediction = model.predict(face_resize)
        cv2.rectangle(im, (x, y), (x + w, y + h), (0, 255, 0), 3)
 
        if prediction[1]<500:
 
           cv2.putText(im, '% s - %.0f' %
(names[prediction[0]], prediction[1]), (x-10, y-10),
cv2.FONT_HERSHEY_PLAIN, 1, (0, 255, 0))
        else:
          cv2.putText(im, 'not recognized',
(x-10, y-10), cv2.FONT_HERSHEY_PLAIN, 1, (0, 255, 0))
 
    cv2.imshow('OpenCV', im)
     
    key = cv2.waitKey(10)
    if key == 27:
        break

注意：以上程序不会在在线 IDE 上运行。

节目截图

它可能看起来有些不同，因为我已经在烧瓶框架上集成了上述程序
运行第二个程序会产生类似于下图的结果：

人脸检测

数据集存储：

数据集