目錄

一、人臉檢測

1、OpenCV人臉檢測

操作步驟：

完整代碼：

運行結果：

引數含義：

2、Face-Recognition人臉檢測

①HOG演算法

②CNN演算法（卷積神經網路）

③問題記錄與總結

二、人臉特征點標定

操作步驟：

完整代碼：

運行結果：

人臉識別流程：人臉檢測+人臉對齊+特征點提取+人臉匹配

一、人臉檢測

1、OpenCV人臉檢測

OpenCV自帶訓練好的人臉Haar特征分類器，存盤在D:\Python\Lib\site-packages\cv2\data\檔案夾下，其中幾個.xml檔案如下：

人臉檢測器（默認）：haarcascade_frontalface_default.xml

人臉檢測器（快速Harr）：haarcascade_frontalface_alt2.xml

人臉檢測器（側視）：haarcascade_profileface.xml

眼部檢測器（左眼）：haarcascade_lefteye_2splits.xml

眼部檢測器（右眼）：haarcascade_righteye_2splits.xml

身體檢測器：haarcascade_fullbody.xml

微笑檢測器：haarcascade_smile.xml

操作步驟：

1. cv2.CascadeClassifier()加載Haar特征檢測分類器
2. cv2.imread()載入影像（讀取結果為BGR格式，顏色區別于RGB格式），并轉換為灰度圖片
3. 識別影像中的人臉，回傳所有人臉的矩形框向量組
4. 在影像中畫上矩形框，顯示識別結果

完整代碼：

import cv2
import matplotlib.pyplot as plt

def detect(filename):
    face_cascade=cv2.CascadeClassifier('D:\Python\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml')    #定義級聯分類器
    img=cv2.imread(filename)
    gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)    #將BGR格式轉換成灰度圖片
    faces=face_cascade.detectMultiScale(gray, 1.3, 5)    #識別影像中的人臉，回傳所有人臉的矩形框向量組
    num=0
    for (x, y, w, h) in faces:
        img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)    #在影像中畫上矩形框
        num+=1
    print('人臉數量：',num)
    plt.imshow(img) 
    plt.axis('off')  
    plt.show()
    
detect('calorie.jpg')

運行結果：

（可以看出，圖片中共有11人，只識別出來10人，有所偏差）

引數含義：

學習方式——查檔案 Python Module Docs，其中‘[’表示可選項

cv2.cvtColor(src, code[, dst[, dstCn]]) -> dst

src 需要轉換的圖片

code 轉換成何種格式

cv2.COLOR_BGR2GRAY 將BGR格式轉換成灰度圖片

detectMultiScale(image[, scaleFactor[, minNeighbors[, flags[, minSize[, maxSize]]]]]) -> objects

image 被檢測的圖片，需要轉換為灰度圖

scaleFactor 為了檢測到不同大小的目標，通過該引數把影像長寬同時按照一定比例（默認為1.1）逐步縮小后檢測（該引數設定越大，計算速度越快，但可能會錯過了某個大小的人臉）

minNeighbors 只有檢測目標被識別出來的次數大于等于這個值（默認為3），才被認為是正確的結果

cv2.rectangle(img, pt1, pt2, color[, thickness[, lineType[, shift]]]) -> img

pt1 Vertex of the rectangle

pt2 Vertex of the rectangle opposite to pt1

color Rectangle color

thickness Thickness of lines that make up the rectangle

2、Face-Recognition人臉檢測

①HOG演算法

“HOG” is less accurate but faster on CPUs.The default is “HOG”.

操作步驟：

1. face_recognition.load_image_file() 加載影像
2. 呼叫face_recognition.face_locations(image)，定位所有影像中識別出的人臉位置資訊（回傳值是串列形式，每個人臉是一個tuple存盤，包括[top, right, bottom, left]）
3. 回圈找到的所有人臉，列印每張臉的位置資訊
4. 在影像中畫上矩形框，顯示識別結果

完整代碼：

import face_recognition
import cv2
import matplotlib.pyplot as plt

image = face_recognition.load_image_file("calorie.JPG")
face_locations=face_recognition.face_locations(image)
face_num=len(face_locations)
print('人臉數量：',face_num)       
org = cv2.imread("calorie.JPG")

for i in range(0,face_num):
    top = face_locations[i][0]
    right = face_locations[i][1]
    bottom = face_locations[i][2]
    left = face_locations[i][3]
    start = (left, top)
    end = (right, bottom)
    color = (255,0,0)
    thickness = 2
    img=cv2.rectangle(org, start, end, color, thickness)
    plt.imshow(img)
    plt.axis('off')  
plt.show()

運行結果：

②CNN演算法（卷積神經網路）

“CNN” is a more accurate deep-learning model which is GPU/CUDA accelerated (if available).

完整代碼：

import face_recognition
import cv2
import matplotlib.pyplot as plt

image = face_recognition.load_image_file("calorie.JPG")
face_locations_useCNN = face_recognition.face_locations(image,model='cnn')    #model默認為'hog'
face_num1=len(face_locations_useCNN)
print('人臉數量：',face_num1)     
org = cv2.imread("calorie.JPG")

for i in range(0,face_num1):
    top = face_locations_useCNN[i][0]
    right = face_locations_useCNN[i][1]
    bottom = face_locations_useCNN[i][2]
    left = face_locations_useCNN[i][3]
    start = (left, top)
    end = (right, bottom)
    color = (0,255,255)
    thickness = 2
    img=cv2.rectangle(org, start, end, color, thickness)  
    plt.imshow(img)
    plt.axis('off')  
plt.show()

運行結果：

③問題記錄與總結

dlib安裝失敗：

在安裝dlib庫時，采用pip install dlib、pip install dlib-19.17.99-cp37-cp37m-win_amd64.whl兩種方法均失敗，部分報錯資訊如下：

You must use Visual Studio to build a python extension on windows. If you are getting this error it means you have not installed Visual C++. Note that there are many flavors of Visual Studio, like Visual Studio for C# development. You need to install Visual Studio for C++.

最終，通過安裝cmake、boost、Visual Studio 2019的方式解決問題

下載速度緩慢：

1、使用whl檔案：通過網站https://pypi.org/project，下載whl第三方庫安裝檔案（與Python版本一致），將其放置在Python安裝目錄下；在當前目錄下，運行命令pip install xxx.whl

2、臨時使用清華鏡像源：運行命令pip install -i https://pypi.tuna.tsinghua.edu.cn/simple xxx

3、永久配置清華鏡像源：在Users目錄中創建pip目錄，再新建檔案pip.ini；打開pip.ini檔案，復制粘貼以下內容并保存

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

二、人臉特征點標定

操作步驟：

1. 獲取人臉框位置的檢測器與人臉關鍵點檢測器
2. 讀取影像，進行影像的灰度化
3. 使用detector進行人臉檢測，獲得人臉框的位置資訊
4. 遍歷檢測到的框，尋找人臉的68個標定點；遍歷所有點，列印出其坐標，并圈出來

完整代碼：

import cv2
import dlib
import matplotlib.pyplot as plt

detector = dlib.get_frontal_face_detector()    #獲取人臉分類器
predictor = dlib.shape_predictor(r"D:\Python\Lib\site-packages\face_recognition_models\models\shape_predictor_68_face_landmarks.dat")    #獲取人臉檢測器

path = "Martina.JPEG"
img = cv2.imread(path)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

dets = detector(gray, 1)    #使用detector進行人臉檢測，dets為回傳的結果，(gray, 1)=（灰度圖，1個通道）
for face in dets:
    shape = predictor(img, face)    #尋找人臉的68個標定點
    for pt in shape.parts():
        pt_pos = (pt.x, pt.y)
        img=cv2.circle(img, pt_pos, 2, (255, 0, 0), 1)        #遍歷所有點，列印出其坐標，并圈出來

plt.imshow(img)
plt.axis('off')  
plt.show()

運行結果：