基于OpenCv的人脸识别系统设计与实现
1．1 题目的主要研究内容（宋体四号加粗左对齐）
（1）工作的主要描述：本文设计了基于 OpenCV 库的人脸识别系统，采用Haar人脸特征，详细描述了人脸识别设计实现的方式，并设计所对应阶段的逻辑框架，最后结合逻辑框架运用 Python 语言编写并验证本文设计的人脸识别系统。通过多次训练验证并实现人脸识别及判别功能。
（2）系统流程图：
家乡网页制作模板1．2 题目研究的工作基础或实验条件
（1）硬件环境
笔记本电脑，处理器：R7 5800H
（2）软件环境
bootstrap响应式布局模板 开发语言：Python
开发工具：PyCharm2021
1．3 数据集描述
一个程序能识别给定图像或视频中的人脸。实现这一目标的方法之一是用一系列分类好的图像来“训练”数据，并基于这些图像来进行识别。
获取数据：可以通过网上搜索图片或者自己录入（我们选择的是从网上下载某些人的图片来训练数据）
有了数据，需要将这些样本图像加载到人脸识别算法中。所有的人脸识别算法在它们的trai
n()函数中都有两个参数：图像数组和标签数组。这些标签表示进行识别时候某人人脸的ID，因此根据ID可以知道被识别的人是谁。要做的这一点需要生成一个.yml文件。
1．4 人脸特征提取过程描述
特征提取是人脸识别的关键问题之一。本设计中主要采用的是Harr特征提取方法。摄影作品可能包含很多令人愉悦的细节。但是，由于灯光、视角、视距、摄像头抖动以及数字噪声的变化，图像细节变得不稳定。人们在分类时不会受这些物理细节方面差异的影响。提取出图像的细节对产生稳定分类结果和跟踪结果很有用处。这些提取的结果被称为特征，专业的表述为：从图像数据中提取特征。Haar特征是一种用于实现实时人脸跟踪的特征。每一个Haar特征都描述了相邻图像区域的对比模式。python基础代码大全下载
1．5 人脸识别过程描述
人脸识别采用的是LBPH算法，LBPH(Local Binary Pattern Histogram)将检测到的人脸分为小单元，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形状、大小上可以
不同的人脸识别算法调整后的区域中调用predit()函数，该函数返回两个元素的数组：第一个元素是所识别个体的标签，第二个是置信度评分。0表示完全匹配。LBPH一个好的识别参考值要低于50，任何高于80的参考值都会被认为是低的置信度评分。
1．6 主要程序代码(要求必须有注释)
（代码使用Times New Roman,五号）
训练数据部分代码：
import os
import cv2 as cv
十大高级编程语言import sys
import numpy as np
from PIL import Image
def getImageAndLabels(path):
#储存人脸数据
facesSamples=[]
#储存姓名数据
ids=[]
#储存图片信息
imagePaths=[os.path.join(path,f) for f in os.listdir(path)]
#检测人脸
face_detector = cv.CascadeClassifier(
'D:/Browser download/opencv/sources/data/haarcascades/haarcascade_l')
#faces = face_detector.detectMultiScale(gray)
#遍历列表中的图片
for imagePath in imagePaths:
#打开图片，灰度化PIL有九种不同的模式：1，L，P，RGB，RGBA，CMYK，YCbCr，I，F
PIL_img=Image.open(imagePath).convert('L')
#将图像转换为数组，以黑白深浅（为的是让计算机看懂）
img_numpy=np.array(PIL_img,'uint8')
#获取图片中的人脸特征
faces = face_detector.detectMultiScale(img_numpy)
#获取每张图片的id和姓名
#print(os.path.split(imagePath))
大唐之神级败家子 id=int(os.path.split(imagePath)[1].split('.')[0])
#预防无面容照片
for x,y,w,h in faces:
facesSamples.append(img_numpy[y:y+h,x:x+w])
ids.append(id)
#打印脸部特征和id
print('id:',id)
print('fs:',facesSamples)
return facesSamples,ids
#print(imagePaths)
return facesSamples,ids
if __name__ == '__main__':
#图片路径
path='./data/jm/'
#获取图像数组和id标签数组
faces,ids=getImageAndLabels(path)
#加载识别器
recongnizer=cv.face.LBPHFaceRecognizer_create()
#训练
ain(faces,np.array(ids))
#保存文件
recongnizer.write('l')
人脸识别部分代码：
import cv2
import cv2 as cv
import numpy as np
import os
#加载训练数据集文件
recognizer=cv.face.LBPHFaceRecognizer_create()
ad('l')
#准备识别的图片
img=cv.imread('xiaolizi3.jpeg')
gray=cv.cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
face_detector = cv.CascadeClassifier(
'D:/Browser download/opencv/sources/data/haarcascades/haarcascade_l')
faces = face_detector.detectMultiScale(gray)
for x,y,w,h in faces:
cv.rectangle(img, (x, y), (x + w, y + h), color=(0, 255, 0), thickness=2)
cv.circle(img, center=(x + w // 2, y + h // 2), radius=w // 2, color=(0, 0, 255), thickness=2)
id,confidence=recognizer.predict(gray[y:y+h,x:x+w])
print('标签id：',id,'置信评分：',confidence)
a = id #类别名称
b = confidence #置信度
font = cv.FONT_HERSHEY_SIMPLEX # 定义字体
img = cv2.putText(img, '{} {:.3f}'.format(a,b), (x, y), font, 0.75, (0, 255, 255), 2)
# 图像，文字内容，坐标(右上角坐标) ，字体，大小，颜，字体厚度
cv.imshow('result',img)
spring boot教程百度网盘cv.waitKey(0)
cv.destroyAllWindows()
1．7 运行结果及总结
(1)运行结果如下：
(2)总结：
本文设计的人脸识别系统采用 Python 语言编写，针对 Windows平台对基于 OpenCV 库中人脸识别的相关技术实现人脸识别的功能。 结果表明,人脸录入功能测试数据效率达到100
%,人脸识别数据检测率为66.7%,误检率控制在1%,每张耗时平均为26.57ms。根据参数要求,对设计的系统进行多次调试和分析, 参数达到了所提出的各项指标,达到设计的预期效果,具有灵敏度高、稳定性强等特点。
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论