树莓派4B-Python-四种人脸检测/人脸识别

男娘i 2022-12-01 03:46 1337阅读 0赞

# 关于人脸检测/人脸识别 #

本人目前用树莓派4B仅了解到了人脸检测/人脸识别的四种方法：

1.  使用OpenCV
2.  使用OpenMV
3.  使用face\_recognition库
4.  使用百度智能云的人脸识别

### 树莓派4B-Python-人脸检测/人脸识别文章目录 ###

*  关于人脸检测/人脸识别
 *  前言
 *  一、OpenCV
 *   *  1.OpenCV的简介
     *  2.树莓派上安装OpenCV——Python3环境
     *  3.OpenCV的级联分类器
     *  4.OpenCV的人脸检测代码
 *  二、OpenMV
 *   *  1.OpenMV的简介
     *  2.OpenMV实现人脸检测的原理
     *  3.OpenMV的人脸检测代码
 *  三、face\_recognition库
 *   *  1.face\_recognition的简介
     *  2.树莓派上安装face\_recognition
     *  3.face\_recognition实现人脸识别的思路
     *  4.人脸识别代码
 *  四、百度智能云的人脸识别
 *   *  1.百度智能云
     *  2.创建人脸识别项目
     *  3.部署SDK
     *  4.调用百度智能云的人脸识别代码
 *  总结

# 前言 #

人脸识别对于大家来说应该都是挺耳熟的，它就是从人脸检测升级而来的。可能就会有人问：这人脸识别和人脸检测有啥不一样咧？  
**人脸检测**是人脸识别的基础，人脸检测是检测到这一图片或这一画面中有人脸，但不知道这是谁的脸；**人脸识别**便是先给人脸打上了“标签”，告诉电脑某某某1的人脸长这样，每次检测到人脸就拿来与打了“标签”的人脸作对比，相似率达到多少多少（自己设定的值，如80％）时，就认为这张人脸叫某某某1，若达不到，就“不认识”。

--------------------

# 一、OpenCV #

## 1.OpenCV的简介 ##

> OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。 它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

> OpenCV用C++语言编写，它具有C ++，Python，Java和MATLAB接口，并支持Windows，Linux，Android和Mac OS，OpenCV主要倾向于实时视觉应用，并在可用时利用MMX和SSE指令， 如今也提供对于C\#、Ch、Ruby，GO的支持。

[OpenCV的具体介绍][OpenCV]

## 2.树莓派上安装OpenCV——Python3环境 ##

有许多大佬已经写过如何安装OpenCV了，本人也就不再“重复造轮子”了。  
大概提一下安装步骤吧：

1.  首先设置好 / 激活摄像头功能，把根目录扩大到整个SD卡等
2.  安装numpy和其他依赖（若依赖安装出现问题，多半都是因为换源不对，版本分为stretch和buster，看清楚自己用的系统是什么版本，不然换了源一样安装不了部分依赖）
3.  下载OpenCV3.4.0（有三个压缩包，[OpenCV下载链接][OpenCV 1]，两个是OpenCV的文件，另一个**是编译到75%左右出错时需要添加的文件**）

（再另提一下，全程大概出现三个或四个错误，还请做好心理准备，毕竟本人当时也编译了两三天、掉进了好几个坑才编译好的，当然了是因为需要重新编译所以才花那么久的）

1.  最后解压、设置编译参数、编译（编译过程最为漫长，请耐心等待4~5小时，编译时间跟树莓派运行内存大小有关）

安装：  
[OpenCV的参考安装文章1][OpenCV_1]  
[OpenCV的参考安装文章2（子豪兄的文章）][OpenCV_2]

安装OpenCV3.4.0版本在编译过程中出现问题的解决方法：  
[参考解决方法一][Link 1]  
[参考解决方法二][Link 2]

当初本人便是结合这两种解决办法才能成功编译的，安装OpenCV的确是挺麻烦，所以需要不断尝试解决那些出现的错误，一般的出错时都会有所提示是在哪个文件夹、哪行代码、哪个文件出了问题，是缺失某个文件还是文件地址错误，都会有所提示，再不懂就仔细揣摩那两个参考解决方法或多百度百度吧。

## 3.OpenCV的级联分类器 ##

安装OpenCV成功后，在opencv-3.4.0/data中会有好几个文件，其中以下文件存放了OpenCV自带的级联分类器文件，都是已经训练好的文件，可以检测人脸、眼睛、嘴等部位，但效果也并非就是完美的，会存在一些准确率问题，毕竟是开源的嘛，想要准确率很高的还是得自己训练。  
![opencv级联分类器][opencv]  
这四个文件夹分别是四种检测方法，检测方法的不同自然准确率什么的也会存在差异（这是本人的猜测）。如下图所示为检测各种部位的分类器：

![各种分类器][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NDc2MTYz_size_16_color_FFFFFF_t_70_pic_center]

## 4.OpenCV的人脸检测代码 ##

以下为使用OpenCV对图片里的人进行人脸检测的代码：

import cv2
    
    #选择此代码目录下的某个图片文件
    img = cv2.imread('image2.jpg',1)
    
    # 导入人脸级联分类器，'.xml'文件里包含训练出来的人脸特征
    face_engine = cv2.CascadeClassifier('/home/pi/Downloads/opencv-3.4.0/data/haarcascades/haarcascade_frontalface_default.xml')
    
    # 检测设置，将图片放大1.1倍（一般设1.1倍，看效果而定）
    # 重复检测的次数为5次（检测次数越多，速度越慢，检测也越严格，准确率可能有所提升）
    faces = face_engine.detectMultiScale(img,scaleFactor=1.1,minNeighbors=5)
    
    # 对图片进行人脸检测，之后得到人脸的坐标（一个矩形框），再用蓝色框框出，线宽为2
    for (x,y,w,h) in faces:
        img = cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)  # （255,0，0）=（B，G，R）
    
    # 显示图片
    cv2.imshow('img',img)
    
    # 检测是否有按键按下
    cv2.waitKey(0)
    # 关闭窗口，释放占用的资源
    cv2.destroyAllWindows()

以下为OpenCV使用摄像头对人脸和眼睛进行动态检测的代码：

import cv2
    
    # 导入人脸级联分类器，'.xml'文件里包含训练出来的人脸特征
    face_engine = cv2.CascadeClassifier('/home/pi/Downloads/opencv-3.4.0/data/haarcascades/haarcascade_frontalface_default.xml')
    
    # 导入人眼级联分类器，'.xml'文件里包含训练出来的人眼特征
    eye_cascade = cv2.CascadeClassifier('/home/pi/Downloads/opencv-3.4.0/data/haarcascades/haarcascade_eye.xml')
    
    # 调用摄像头摄像头
    cap = cv2.VideoCapture(0)
    
    while(True):
        # 获取摄像头拍摄到的画面
        # 会得到两个参数，一个为存放是否捕捉到图像（True/False），另一个为存放每帧的图像
        ret, frame = cap.read()
        # 每帧图像放大1.1倍，重复检测10次
        faces = face_engine.detectMultiScale(frame,1.1, 10)
        img = frame
        for (x,y,w,h) in faces:
            # 画出人脸框，蓝色，画笔宽度为2
            img = cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
            # 框选出人脸区域，在人脸区域而不是全图中进行人眼检测，节省计算资源
            face_area = img[y:y+h, x:x+w]
            eyes = eye_cascade.detectMultiScale(face_area,1.1,5)
            # 用人眼级联分类器在人脸区域进行人眼识别，返回的eyes为眼睛坐标列表
            for (ex,ey,ew,eh) in eyes:
                #画出人眼框，绿色，画笔宽度为1
                cv2.rectangle(face_area,(ex,ey),(ex+ew,ey+eh),(0,255,0),1)
            
        # 实时展示效果画面
        cv2.imshow('frame2',img)
        # 每5毫秒监听一次键盘动作
        if cv2.waitKey(5) & 0xFF == ord('a'):  #当按下“a”键时退出人脸检测
            break
    
    # 最后，关闭所有窗口
    cap.release()
    cv2.destroyAllWindows()

# 二、OpenMV #

openmv功能也挺强大的，自身就可以实现各种检测，如颜色检测、物体检测、人脸检测、人脸识别等等，与树莓派也可以通讯，通讯方式可有WiFi、蓝牙、I2C等（具体如何实现本人还未开始研究）。

## 1.OpenMV的简介 ##

![openmv3][]

> OpenMV是一个开源，低成本，功能强大的机器视觉模块。以STM32F427CPU为核心，集成了OV7725摄像头芯片，在小巧的硬件模块上，用C语言高效地实现了核心机器视觉算法，提供Python编程接口。使用者们（包括发明家、爱好者以及智能设备开发商）可以用Python语言使用OpenMV提供的机器视觉功能，为自己的产品和发明增加有特色的竞争力。

> OpenMV上的机器视觉算法包括寻找色块、人脸检测、眼球跟踪、边缘检测、标志跟踪等。可以用来实现非法入侵检测、产品的残次品筛选、跟踪固定的标记物等。使用者仅需要写一些简单的Python代码，即可轻松的完成各种机器视觉相关的任务。小巧的设计，使得OpenMV可以用到很多创意的产品上。比如，可以给自己的机器人提供周边环境感知能力；给智能车增加视觉巡线功能；给智能玩具增加识别人脸功能，提高产品趣味性等；甚至，可以给工厂产品线增加残次品筛选功能等。

[openmv的具体介绍1][openmv_1]  
[openmv的具体介绍2（星瞳科技）][openmv_2]

## 2.OpenMV实现人脸检测的原理 ##

openmv内置了人脸检测的算法，是利用Haar算子来进行人脸的检测，可以快速的在视野中找到人脸，但获取图像后必须将图像转变成灰度图才可以进行计算（将图像转为灰度图可以提高其人脸检测的速度），然后做框出人脸位置等步骤。

## 3.OpenMV的人脸检测代码 ##

代码如下：  
（需要人脸与该模块摄像头在30cm左右的距离内才可以检测到人脸）

import sensor, time, image
    
    # 重置感光元件
    sensor.reset()
    
    # 感光元件设置
    sensor.set_contrast(3)
    sensor.set_gainceiling(16)
    
    # HQVGA和灰度对于人脸识别效果最好
    sensor.set_framesize(sensor.HQVGA)
    sensor.set_pixformat(sensor.GRAYSCALE)
    #注意人脸识别只能用灰度图哦
    
    sensor.set_vflip(True) # 设置画面垂直翻转
    sensor.set_hmirror(True) # 设置画面左右翻转
    
    # 加载Haar算子
    # 默认情况下，这将使用所有阶段，更低的satges更快，但不太准确。
    face_cascade = image.HaarCascade("frontalface", stages=25)
    #image.HaarCascade(path, stages=Auto)加载一个haar模型。haar模型是二进制文件，
    #这个模型如果是自定义的，则引号内为模型文件的路径；也可以使用内置的haar模型，
    #比如“frontalface” 人脸模型或者“eye”人眼模型。
    #stages值未传入时使用默认的stages。stages值设置的小一些可以加速匹配，但会降低准确率。
    print(face_cascade)
    
    # FPS clock
    clock = time.clock()
    
    while (True):
        clock.tick()
    
        # 拍摄一张照片
        img = sensor.snapshot()
    
        # 找到对象
        # 注意:低比例因子缩小图像更多，检测更小的对象
        # 阈值越高，检出率越高，假阳性越多。
        objects = img.find_features(face_cascade, threshold=1, scale=1.5)
        #image.find_features(cascade, threshold=0.5, scale=1.5),thresholds越大，
        #匹配速度越快，错误率也会上升。scale可以缩放被匹配特征的大小。
    
        #在找到的目标上画框，标记出来
        for r in objects:
            img.draw_rectangle(r)
    
        # 打印FPS。
        # 注：实际FPS更高，流FB使它更慢。
        print(clock.fps())

# 三、face\_recognition库 #

## 1.face\_recognition的简介 ##

face\_recognition库是最为简洁的人脸识别库，可以直接通过捕捉图片中128维的人脸向量进行存储，打上“标签”，假设为某某某2，再与其他图片/画面中捕获128维的人脸向量做对比，相似度达到一定值后便判定刚刚识别的是某某某2的人脸。

（128维的人脸向量：也就是会在人脸上获取128个点的向量之类的，好比如眉毛的轮廓、鼻子的轮廓、嘴的轮廓等许多个点组成的线）

[face\_recognition库的介绍与使用方法网址][face_recognition]

[face\_recognition的视频教程][face_recognition 1]（在播放到37分后为安装教程，50分后为使用教程）

## 2.树莓派上安装face\_recognition ##

有两种方法（本人试的是第一种）：  
方法一

1.  若之前安装过cmake的，就先将cmake升级一下

sudo apt --upgrade install cmake

再安装face\_recognition

pip3 install face_recognition

1.  若没安装过cmake，就先安装一下下

sudo apt install cmake

再安装face\_recognition

pip3 install face_recognition

方法二

[在Ubuntu上安装][Ubuntu]  
或  
[参考这位博主的文章][Link 3]

## 3.face\_recognition实现人脸识别的思路 ##

> 1.  加载已知图片和待识别图片
> 2.  对图片中的人脸进行编码
> 3.  建立人脸库
> 4.  识别待识别图片中的人脸
> 5.  标记姓名并展示
> 6.  释放资源

**详细一些的说明 / 步骤：**

1.  传入人脸1图片
2.  传入人脸2图片
3.  传入需要检测的人脸图片
4.  获取需要检测的人脸图片的人脸位置
5.  对人脸1进行编码（识别这样类似的脸就是人脸1）
6.  对人脸2进行编码（识别这样类似的脸就是人脸2）
7.  知道的人脸编码列表
8.  知道的人脸名字列表
9.  获取需要检测的图片中人脸编码
10. 在需要检测的图片上遍历出(top,right,bottom,left),face\_encoding
11. 使用方框将人脸框起来
12. 将已知人脸和需要检测中未知人脸进行比较
13. 若检测不出则在未知人脸上显示unknown
14. 若检测得出，就将对应名字列表中的名字在人脸上显示
15. 在方框上显示文字
16. 显示图片
17. 检测键盘是否按下，若按下则停止
18. 销毁显示的窗口

## 4.人脸识别代码 ##

**该代码是将检测速度提升了，其实其他提速的方法也挺（可能也许大概八成）简单的，可以用于参考：  
1.替换人脸检测方法成OpenCV的Haar人脸检测方法；（好像是在输出位置的向量上需要转换，有些麻烦，原理上是可以的）  
2.换成在灰度图上检测；（按道理可以，但本人还未成功，猜测是颜色格式没转换好的问题）  
3.将画面大小按比例缩小再检测；  
4.将按比例缩小后的画面作为显示的画面；  
5.采用多个CPU一起检测（目前还没尝试成功，但据说可以）；  
6.使用神经棒加速；（猜测可以）  
7. …（目前知识有限，待续）**

以下代码仅采用了将画面大小按比例缩小的方法，速度提升了10s左右：  
（这是指从程序开始到显示画面的时间减少了10s左右，实际上还是会花15s左右做预处理。检测到人脸后的延迟为3s左右，这也跟网络延迟有关）

import face_recognition
    import cv2
    import numpy as np
    
    # 用opencv获取摄像头画面
    video_capture = cv2.VideoCapture(0)
    
    # 获取obama图片，提取128维的人脸向量
    obama_image = face_recognition.load_image_file("obama.jpg")
    obama_face_encoding = face_recognition.face_encodings(obama_image)[0]
    
    # 获取biden图片，提取128维的人脸向量
    biden_image = face_recognition.load_image_file("biden.jpg")
    biden_face_encoding = face_recognition.face_encodings(biden_image)[0]
    
    # 存储128维的人脸向量
    known_face_encodings = [
        obama_face_encoding,
        biden_face_encoding
    ]
    
    # 存储人脸名字
    known_face_names = [
        "Barack Obama",
        "Joe Biden"
    ]
    
    # 初始化
    face_locations = []
    face_encodings = []
    face_names = []
    process_this_frame = True
    
    while True:
        ret, frame = video_capture.read()
    
    # 将画面缩小4倍
        small_frame = cv2.resize(frame, (0, 0), fx=0.25, fy=0.25)
    # 将BGR颜色格式转换为RGB
        rgb_small_frame = small_frame[:, :, ::-1]
    
        if process_this_frame:
            
            face_locations = face_recognition.face_locations(rgb_small_frame)
            face_encodings = face_recognition.face_encodings(rgb_small_frame, face_locations)
    
            face_names = []
            for face_encoding in face_encodings:
              
                matches = face_recognition.compare_faces(known_face_encodings, face_encoding)
                name = "Unknown"
    
                face_distances = face_recognition.face_distance(known_face_encodings, face_encoding)
                best_match_index = np.argmin(face_distances)
                if matches[best_match_index]:
                    name = known_face_names[best_match_index]
    
                face_names.append(name)
    
        process_this_frame = not process_this_frame
    
    
        for (top, right, bottom, left), name in zip(face_locations, face_names):
        # 此处将前面缩小的比例还原（放大4倍），这样才可以在原图像上框对人脸
            top *= 4
            right *= 4
            bottom *= 4
            left *= 4
    
            cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
    
            cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 0, 255), cv2.FILLED)
            font = cv2.FONT_HERSHEY_DUPLEX
            cv2.putText(frame, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)
    
    # 此处是显示原图像，若将显示的图像换成缩小4倍后的图像，速度也能提升
        cv2.imshow('Video', frame)
    
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    
    video_capture.release()
    cv2.destroyAllWindows()

# 四、百度智能云的人脸识别 #

## 1.百度智能云 ##

利用百度智能云的人脸识别系统实现人脸识别也是很简单的，但是树莓派需要在联网的情况下才可以使用该人脸识别，除非部署了离线版的人脸识别系统。

## 2.创建人脸识别项目 ##

1.首先需要在百度智能云上创建一个账号，或者使用百度账号登录；  
2.进入后创建一个人脸识别应用；  
![步骤0][0]

--------------------

![步骤1][1]

--------------------

![步骤2][2]

--------------------

3.下图框出的三个内容后面会用到，因此需要记下；  
![步骤3][3]

--------------------

4.创建用户组和用户（用户组和用户的名称都只能是数字或英文，不能有中文）

![步骤4][4]

--------------------

![步骤5][5]

--------------------

![步骤6][6]

--------------------

![步骤7][7]

--------------------

5.给用户上传用户的正面照（上传不同的照片越多越好）  
![步骤8][8]

--------------------

6.下载SDK  
![步骤9][9]

--------------------

![在这里插入图片描述][20200827154503584.png_pic_center]

--------------------

将SDK压缩包解压得到以下文件：  
![解压后][20200827155538779.jpg_pic_center]

--------------------

## 3.部署SDK ##

**在树莓派4B上部署SDK：**  
**1**.先通过U盘或VNC的文件传输将SDK文件夹传输给树莓派

**2**. 安装pip（若已经安装了则跳过安装pip）和setuptools

**2.1** 安装setuptools  
**2.1.1** 下载安装包（此安装包为2020.8.14更新的49.6.0版本）

wget https://files.pythonhosted.org/packages/38/cc/db23dbe4efc464c3c0111fedf7d46de8888f05b09488d610f6f8ab6e2544/setuptools-49.6.0.zip

**2.1.2** 解压

unzip setuptools-49.6.0.zip

**2.1.3** 安装

cd setuptools-49.6.0

sudo python setup.py build

sudo python setup.py install

**2.2** 安装pip（若已经安装了的就跳过）  
方法一：

sudo apt-get install -y python-pip

方法二：  
**2.2.1** 下载（此安装包为2020.8.11更新的20.2.2版本）

wget https://files.pythonhosted.org/packages/73/8e/7774190ac616c69194688ffce7c1b2a097749792fea42e390e7ddfdef8bc/pip-20.2.2.tar.gz

**2.2.2** 解压（注意版本是否一致）

tar zxvf pip-20.2.2.tar.gz

**2.2.3** 安装（安装前请看清楚下载好的文件夹名是否一致，随着更新，版本会不一样）

cd ../pip-20.2.2/

sudo python3 setup.py install

**3**. 安装SDK  
假设传输过来的SDK文件放在了Download文件夹内，则先进入该文件夹内：

cd Downloads/aip-python-sdk-2.2.15

然后再安装：

sudo pip install baidu-aip

得到**类似**如下图所示画面就说明SDK已经安装成功：  
![安装sdk][sdk]  
接下来还需安装API：

sudo python3 setup.py install

这样就可以调用百度智能云的人脸识别了

## 4.调用百度智能云的人脸识别代码 ##

当使用以下代码后，会生成一个名为“ming\_dan”的文本在当前文件夹内，用于记录检测人的姓名和时间。

from aip import AipFace
    from picamera import PiCamera
    import urllib.request
    import RPi.GPIO as GPIO
    import base64
    import time
    import datetime
    #百度人脸识别API账号信息
    APP_ID = '19127770'
    API_KEY = 'bgaoZtrDyFm097RZy4zc1b1p'
    SECRET_KEY = '8dPNLaUyG7HKBDHU848y6gS7lZHvfQU3'
    client = AipFace(APP_ID, API_KEY, SECRET_KEY)#创建一个客户端用以访问百度云
    #图像编码方式
    IMAGE_TYPE='BASE64'
    camera = PiCamera()#定义一个摄像头对象
    #用户组
    GROUP = 'one'
     
    #照相函数
    def getimage():
        camera.resolution = (1024,768)#摄像界面为1024*768
        camera.start_preview()#开始摄像
        time.sleep(1)
        camera.capture('faceimage.jpg')#拍照并保存
        time.sleep(1)
    #对图片的格式进行转换
    def transimage():
        f = open('faceimage.jpg','rb')
        img = base64.b64encode(f.read())
        return img
    #上传到百度api进行人脸检测
    def go_api(image):
        result = client.search(str(image, 'utf-8'), IMAGE_TYPE, GROUP);#在百度云人脸库中寻找有没有匹配的人脸
        if result['error_msg'] == 'SUCCESS':#如果成功了
            name = result['result']['user_list'][0]['user_id']#获取名字
            score = result['result']['user_list'][0]['score']#获取相似度
            if score > 80:#如果相似度大于80
                if name == 'qin_guan_lin':   # 此为自己设置的用户组中的用户名（只能是由字母和数字组成）
                    name1 = '小霖'
                    name = name1
                    print('相似度为：%.2f' % score)
                    print("欢迎%s!" % name)
                    time.sleep(0.5)
                if name == 'lin_xiu_li':
                    name2 = '小莉'
                    name = name2
                    print('相似度为：%.2f' % score)
                    print("欢迎%s!" % name)
                    time.sleep(0.5)
                if name == "qin_wen_hua":
                    name3 = '小华'
                    name = name3
                    print('相似度为：%.2f' % score)
                    print("欢迎%s!" % name)
                    time.sleep(0.5)
            else:
                print('相似度为：%.2f' % score)
                print("抱歉，识别失败！请重试！")
                name = 'Unknow'
                return 0
            #curren_time = time.asctime(time.localtime(time.time()))#获取当前时间
            curren_time = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
            
            #将人员出入的记录保存到Log.txt中
            f = open('ming_dan.txt','a')
            f.write("姓名:" + name + "   " + "时间:" + str(curren_time)+'\n')
            f.close()
            return 1
        if result['error_msg'] == 'pic not has face':
            print('检测不到人脸')
            time.sleep(1)
            return 0
        else:
            print(result['error_code']+' ' + result['error_code'])
            return 0
    #主函数
    if __name__ == '__main__':
        a = 0
        #while True:
        while a < 2:
            print('准备')
            if True:
                getimage()#拍照
                img = transimage()#转换照片格式
                res = go_api(img)#将转换了格式的图片上传到百度云
                if(res == 1):#是人脸库中的人
                    print("开门")
                else:
                    print("关门")
                print('稍等三秒进入下一个')
                time.sleep(1)
            a += 1

# 总结 #

1.  本人是在了毕业设计上用到了opencv，简单的用了下人脸检测和口罩检测，唯独麻烦的是训练口罩检测的级联分类器，由于想要精度高所以训练花费的时间也是非常久的，当时是正样本与负样本的比例为500:1500，训练20层，准确率设在了90%以上，单单前面十几层就花费了两三天时间，后面几层花费的时间更久，大概算来得花费二十天左右吧（大概是哪里出了问题导致了这个结果，比如图片大小、灰度图、设置的准确率等等吧），最终因为时间太久的缘故停止了训练。
2.  openmv3这个模块是舍友的毕业设计用到的，后面是因为不想要了才给（丢给）本人玩（研究）的，当时就乐开了花（毕竟一直听说这个小玩意的功能挺厉害的）。openmv3这个小玩意儿呢是手动调节焦距的，然后还发现它的像素并不是很好（大概是因为镜头的问题吧），不过有多种镜头可以更换，就是那些镜头和配件什么的有点点贵…学习嘛，肯定是要有所代价的。
3.  face\_recognition是偶然间发现的，居然还有这么一个库可以直接实现人脸识别，可是在本人使用之后发现有点问题，这个问题不知道是不是本人问题（有点尴尬），先是识别本人照片后，使用摄像头去捕捉、识别其他人脸时，发现，别人脸上本该显示的应该是“unknown”，然而却许多次都是显示本人的名字！！？？（这是说明本人的脸是大众脸么…）
4.  百度智能云的人脸识别就厉害多了，只要系统上上传的图片合格，并且样式多一些，识别的准确率就会更高，甚至有时候只是露个侧脸都能识别出。但也存在一些小问题，比如说：**对手机上显示的人脸图片也能识别**，所以若用于做门禁之类的话，需谨慎哦。当然，前面三种方法也存在这个小问题的。

这四种方法都是本人所尝试过的，但由于自身能力还是有所不足，有些地方写得或描述得不是很好，还望见谅。

可能有个bug，就是手机上的CSDN APP在显示代码时不显示完整，许多都会下面一半代码就空了，但是在电脑网页上代码却是显示完整的。

\#\#2020.8.30  
（该文章用于给自己今年所经历的，做一个总结和回忆）

[OpenCV]: https://baike.baidu.com/item/opencv/10320623?fr=aladdin
[OpenCV 1]: https://download.csdn.net/download/qq_46476163/12751845
[OpenCV_1]: https://www.jianshu.com/p/88882a3ccc8a
[OpenCV_2]: https://github.com/TommyZihao/Zihao-Blog/blob/master/%E5%AD%90%E8%B1%AA%E5%85%84%E6%95%99%E4%BD%A0%E5%9C%A8%E6%A0%91%E8%8E%93%E6%B4%BE%E4%B8%8A%E5%AE%89%E8%A3%85OpenCV.md
[Link 1]: https://blog.csdn.net/qq_43762614/article/details/102760414
[Link 2]: https://blog.csdn.net/weixin_43308627/article/details/97814927
[opencv]: /images/20221123/7ea7647667ba45a0b6e249d472e3745e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NDc2MTYz_size_16_color_FFFFFF_t_70_pic_center]: /images/20221123/3f745b223272408c9b5e5a03ed4a713e.png
[openmv3]: /images/20221123/e707b20b42e54a0b986f7c5e2118d606.png
[openmv_1]: https://www.jianshu.com/p/378b01211889
[openmv_2]: https://singtown.com/product/50812/openmv4-h7-plus/
[face_recognition]: https://github.com/ageitgey/face_recognition/blob/master/README_Simplified_Chinese.md
[face_recognition 1]: https://www.bilibili.com/video/av82400921/?spm_id_from=trigger_reload
[Ubuntu]: https://www.cnblogs.com/tangpg/p/9117493.html
[Link 3]: https://www.cnblogs.com/blackay03/p/9061632.html
[0]: /images/20221123/91bd6af94707489da332f149a42118b1.png
[1]: /images/20221123/d70c8c83e1ec402980533cfbcfbcd850.png
[2]: /images/20221123/7aa7ff5ead6a48158752cc492f40487b.png
[3]: /images/20221123/0a1c545df9a74190853c2084e344108c.png
[4]: /images/20221123/4adbc3b7e4bc4a37948320b856f46d04.png
[5]: /images/20221123/7c46a6c53efb4445bcd478cecb1c78d8.png
[6]: /images/20221123/0c97689c95ed45698b574dc66f829715.png
[7]: /images/20221123/8b58df04220e4c52b71cfdf7acfcd663.png
[8]: /images/20221123/44f06f4506ab44169322bd3f1064aa73.png
[9]: /images/20221123/bcb3a9b6ad2f4f40a7a0a409fcefe174.png
[20200827154503584.png_pic_center]: /images/20221123/ea0fa17acf564c66925ebabe54b52cea.png
[20200827155538779.jpg_pic_center]: /images/20221123/b6cb79d6ad314f5daeffdded04effb63.png
[sdk]: /images/20221123/60850a40fb4147309c26228fb852be0b.png