题目 基于OpenCV和Python模式识别系统的设计与实现
1．1 题目的主要研究内容
（1）工作的主要描述（宋体小四号不加粗1.5倍行距）
利用python中自带的opencv库中的人脸识别算法制作一个简易的模式识别系统，使用自己搜集到的数据集对模型进行训练，最终完成特征提取、分类等工作，并且在最后的推理过程中，实现了人脸识别的工作。
（2）系统流程图
1．2 题目研究的工作基础或实验条件
软件环境：cv2：是用于Python的OpenCV模块，我们将用于人脸检测和人脸识别。操作系
统：将使用此 Python 模块读取我们的训练目录和文件名。numpy：将使用此模块将Python列表转换为numpy数组，因为OpenCV人脸识别器接受numpy数组。
1．3 数据集描述
java资料大全pdf小白盘训练中使用的图像越多越好。通常，许多图像用于训练面部识别器，以便它可以学习同一个人的不同外观，例如戴眼镜，不戴眼镜，大笑，悲伤，快乐，哭泣，留胡子，无胡须等。为了使训练保持简单，将为每个人仅使用12张图像。因此，训练数据总共由2个人组成，每人有12张图像。所有训练数据都training-data文件夹中。training-data文件夹包含每个人的一个文件夹，每个文件夹都以sLabel格式命名（例如s1，s2），其中标签实际上是分配给该人的整数标签。例如，名为 s1 的文件夹表示此文件夹包含人员 1 的图像。训练数据的目录结构树如下所示：
training-data
|-------------- s1
| |-- 1.jpg
| |-- ...
| |-- 12.jpg
|-------------- s2
| |-- 1.jpginput英语怎么读
| |-- ...
| |-- 12.jpg
1．4 特征提取过程描述
该系统中采用的特征提取算法是局部二值模式直方图（LBPH）算法，而原始的LBP算子定义为在3*3的窗口内以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。提取的LBP算子在每个像
素点都可以得到一个LBP“编码”，那么，对一幅图像（记录的是每个像素点的灰度值）提取其原始的LBP算子之后，得到的原始LBP特征依然是“一幅图片”（记录的是每个像素点的LBP值）。
对LBP特征向量进行提取的步骤：
（1）首先将检测窗口划分为16×16的小区域（cell）；
（2）对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值。
1．5 分类过程描述
该系统用到的分类器是opencv中提供训练好的级联分类器，该分类器是一种Harr级联分类器，Harr级联分类器的具体分类过程为：
1. 提取类Haar特征；
python基础代码大全下载
2. 利用积分图法对类Haar特征提取进行加速；
3. 使用Adaboost算法训练强分类器，区分出人脸和非人脸；
4. 使用筛选式级联把强的分类器级联在一起，从而提高检测准确度。
opencv中提供的Harr级联分类器共有20多种，它们都以xml文件的格式保存在opencv中的data文件夹下，这些级联分类器可以检测人脸，以及人脸的不同特征，或者人类和其它物体等等，本项目中保存的分类器除了Harr级联分类器还保存了LBP级联分类器，这两个分类器的分类过程本质基本相似，所以在此不对LBP级联分类器的分类过程做具体叙述。综上，我们选择对正面人脸为特征做检测的Haar和LBP级联分类器，在项目中以haarcascade_l文件和lbpcascade_frontalface_alt,xml文件存在。
1．6 主要程序代码
import cv2 #导入opencv模块
import os #导入os模块用于读取训练数据目录和路径
import numpy as np #导入numpy将ython列表转换为numpy数组
subjects = ["", "Ramiz Raja", "Elvis Presley"] #定义需要分类目标的名字
def detect_face(img): #定义使用opencv用来检测脸部的函数
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #将测试图像转换为灰度图像
enterpassword翻译 face_cascade = cv2.CascadeClassifier('opencv-files/l') #加载opencv人脸检测器
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5); #结果是一张脸的列表
if (len(faces) == 0): #如果未检测到面部，则返回原始图像
return None, None
(x, y, w, h) = faces[0] #只有一张脸，提取面部区域
return gray[y:y+w, x:x+h], faces[0] #只返回图像正面部分
def prepare_training_data(data_folder_path): #该函数用于读取所有人的训练图像，从每个图像检测人脸，并将返回两个完全相同大小的列表，参数为目录的路径
dirs = os.listdir(data_folder_path)
faces = [] #列表来保存所有主题的面孔
labels = [] #列表来保存所有主题的标签
小程序开发一般要多钱 for dir_name in dirs:
if not dir_name.startswith("s"):
continue;
label = int(place("s", ""))
subject_dir_path = data_folder_path + "/" + dir_name
subject_images_names = os.listdir(subject_dir_path)
for image_name in subject_images_names: #检测脸部并将脸部添加到脸部列表
if image_name.startswith("."): #忽略.DS_Store之类的系统文件
continue;
image_path = subject_dir_path + "/" + image_name #建立图像路径
image = cv2.imread(image_path) #阅读图像
cv2.imshow("Training ", size(image, (400, 500)))
cv2.waitKey(100) #显示图像窗口以显示图像
face, rect = detect_face(image) #侦测脸部
if face is not None: #忽略未检测到的脸部
faces.append(face) #将这张脸添加到脸部列表
labels.append(label) #为这张脸添加标签
cv2.destroyAllWindows()
cv2.waitKey(1)
cv2.destroyAllWindows()
return faces, labels
后台管理数据系统属于#准备好训练数据，数据将在两个大小相同的列表中，一个列表包含所有的面孔：
print("")
faces, labels = prepare_training_data("training-data")
print("Data prepared")
#打印总面和标签：
print("Total faces: ", len(faces))
print("Total labels: ", len(labels))
#训练人脸识别器，使用LBPH人脸识别器
face_recognizer = cv2.face.LBPHFaceRecognizer_create() #创建LBPH人脸识别器
ain(faces, np.array(labels)) #训练人脸识别器
#此函数用于在图像上绘制矩形，根据给定的（x，y）坐标和给定的宽度和高度来绘制：
def draw_rectangle(img, rect):
(x, y, w, h) = rect
angle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)
#函数在此图像开始绘制文本，通过（x，y）坐标
def draw_text(img, text, x, y):
cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_PLAIN, 1.5, (0, 255, 0), 2)
def predict(test_img):
img = py() #制作图像的副本，不更改原始图像
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