opencv 检测键盘_OpenCv识别小罗伯特唐尼

谁借莪１个温暖的怀抱￠ 2023-01-05 12:12 130阅读 0赞

![6cc96aa4b9e2b9984ee87ee7898e8828.png][]

一、OpenCV简单介绍

在实现人脸识别之前，我们先简单了解一下OpenCv的一些基本操作。在此之前，我们需要先安装OpenCv，我们使用pip安装：

pip install opencv-python

另外我们还需要另外一个模块：

pip install opencv-contrib-python

接下来我们就可以学习OpenCv了。

1.1、OpenCv操作图像

我们来简单读取一个图像，并将该图像显示：

# 导入模块
    import cv2
    # 读取图片
    im = cv2.imread('1.jpg')
    # 显示图片，该方法只会显示一瞬间。（第一个参数为窗口名称，第二个参数为ndarray对象）
    cv2.imshow('im', im)
    # 等待键盘输入，传入毫秒值，当传入0时表示无限等待。（imshow配合该方法可以让界面一直显示）
    cv2.waitKey(0)
    # 因为OpenCv是用C/C++写的，所以需要释放内存
    cv2.destroyAllWindows()

上述代码就实现了最简单的读取并显示图像的操作了。

1.2、灰度转换

灰度就是使用黑色调表示物体，即用黑色为基准色，不同的饱和度的黑色来显示图像。 灰度转换就是将图片转换成黑白图像。因为我们在人脸识别时，灰度图像便于识别，所以我们先来了解一下。用OpenCv实现灰度转换很简单：

import cv2
    # 读取图像
    im = cv2.imread('1.jpg')
    # 灰度转换（第一个参数为ndarray对象，第二个参数为cv2中的常量），返回一个ndarray对象
    grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
    # 将grey保存
    cv2.imwrite('grey.jpg', grey)
    # 显示灰度转换后的图像
    cv2.imshow('grey', grey)
    # 等待键盘输入
    cv2.waitKey(0)
    # 销毁窗口
    cv2.destroyAllWindows()

效果如下：

![d45416546222a850e27ece1d740c002b.png][]

1.3、绘制图形

我们后续在检测人脸的时候，我们会绘制图形，将人脸框起来。图形的绘制也非常简单，我们看如下代码：

import cv2
    # 读取图像
    im = cv2.imread('1.jpg')
    # 在图像im上绘制矩形
    """
    第一个参数为ndarray对象
    第二个参数为左上角的坐标(x1, y1)
    第三个参数为右下角的坐标(x2, y2)
    第四个参数为颜色值，其顺序不同于我们之前的，使用的是BGR
    第五个参数为线条宽度
    """
    cv2.rectangle(im, (0, 0), (200, 200), (255, 255, 0), 2)
    # 显示图像
    cv2.imshow('im', im)
    # 等待输入
    cv2.waitKey(0)
    # 销毁窗口
    cv2.destroyAllWindows()

对比图如下：

![3aa3f5bbbaaef91388a47b2a8fb5c7fc.png][]

了解上面知识后，我们就可以进入下一步的学习了。

二、人脸检测

2.1、获取特征数据

开始人类检测之前，我们要先获取一个特征数据。我们先去官网，看到如下界面：

![a879d1e94ce0af817424b0054d50022e.png][]

点击相应的下载后，双击安装就可以了。我们进入D:CodeFieldOpenCvopencvsourcesdatahaarcascades，前面为你opencv的安装目录。进入该文件夹后，里面全是特征文件，我们一般选用haarcascade\_frontalface\_default.xml。

2.1、检测人脸

我们可以把特征文件复制到我们项目下，也可以直接用绝对路径引用。我们检测人脸需要一个cv2.CascadeClassifier对象，该对象可以用来检测人脸。代码如下：

face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

其中，传入参数为特征文件的路径。我们可以选择相对路径，也可以选择绝对路径。完整人类检测代码如下：

import cv2
    # 加载特征数据
    face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
    # 读取图片
    im = cv2.imread('1.jpg')
    # 检测人脸，返回人脸的位置信息
    faces = face_detector.detectMultiScale(im)
    # 遍历人脸
    for x, y, w, h in faces:
        # 在人脸区域绘制矩形
        cv2.rectangle(im, (x, y), (x+w, y+h), (255, 255, 0), 2)
    # 显示图像
    cv2.imshow('im', im)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

其中detectMultiScale方法返回一个ndarray对象，这个对象保存了n张人脸的左上角坐标、脸的宽、脸的高。检测效果如下：

![2ab81a0c1f4668fd6cc0d4d620649878.png][]

不过有时会有一些误差，大多数清晰人脸可以正常检测到。

三、人脸识别

上面的内容我们已经说了人脸检测的实现，那人脸识别和人脸检测有什么区别呢？它们的区别在于，人脸检测是要确定一张图像里面有没有人脸，而人脸识别则是要确定图像中的人脸是谁。不过要确定是谁之前，我们需要先见过人脸的主人，这就需要我们训练数据了。

3.1、训练数据

训练数据主要有两个部分，人脸信息和标签，其中标签为int列表。我在目录gtx中准备了50来张钢铁侠图片，为了方便获取标签，我们先编写如下代码：

import os
    
    path = "./gtx/"
    # 获取文件列表
    paths = os.listdir(path)
    i = 0	# 循环变量
    for file in paths:
        i += 1
        # 将文件重命名
        os.rename(path+file, path + str(i) + str(1) + ".jpg")

这段代码就是遍历当前目录下gtx文件夹下的图片，将图片名称改为数字+1+.jpg格式。

![c67789f05c93b524430e1da7c67f1caf.png][]

上面是我用爬虫爬取的一些图片，我们将这些使用上述代码转换成数字+1+.jpg格式，我们把1做为小罗伯特唐尼的标签，我们可以继续多把其他人的人脸改为数字+2+.jpg格式，这样就可以做到区分。不过上述代码有一个问题，即当我们遍历到第四个图片时，名称需要改为41.jpg，而在我的文件夹中已经存在41.jpg，所以会产生错误。我们将代码改为如下：

import os
    path = "./gtx/"
    paths = os.listdir(path)
    i = 0
    for file in paths:
        i += 1
        try:
            os.rename(path + file, path + str(i) + str(1) + ".jpg")
        except Exception as e:
            print(e)
            # 当发生异常时，直接跳过
            continue

准备好图像后，我们就可以开始训练数据了，训练数据代码如下：

import cv2
    import os
    import numpy
    
    root_path = "./gtx/"
    
    def getFacesAndLabels():
        """读取图片特征和标签"""
        global root_path
        faces = []
        lables = []
    
        # 获取人脸检测器
        face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
    
        # 获取图片路径
        files = os.listdir(root_path)
        for file in files:
            path = root_path + file
    
            # 读取图片
            im = cv2.imread(path)
            # 转换灰度
            grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
            # 读取人脸数据
            face = face_detector.detectMultiScale(grey)
            for x, y, w, h in face:
                # 设置标签，分离文件名称
                lables.append(int(file.split('.')[0]))
                # 设置人脸数据
                faces.append(grey[y:y+h, x:x+w])
    
        return faces, lables
    
    # 调用方法获取人脸信息及标签
    faces, labels = getFacesAndLabels()
    # 获取训练对象
    recognizer = cv2.face.LBPHFaceRecognizer_create()
    # 训练数据
    recognizer.train(faces, numpy.array(labels))
    # 保存训练数据
    recognizer.write('./trainer/trainer.yml')

在上面代码中，我们上面的并没有对文件名称中的最后一个数字1进行区分，后续会使用到。关于训练数据，大家可以多准备一些人物和图片。

3.2、人脸识别

我们训练完数据后，就可以进行人脸识别了。在识别之前我们先加载训练数据，然后就是基本的人类检测步骤。最后我们调用predict方法进行人脸识别，在训练数据中匹配人物。

import cv2
    
    # 加载训练数据集
    recognizer = cv2.face.LBPHFaceRecognizer_create()
    recognizer.read('./trainer/trainer.yml')
    
    # 准备识别的图片
    im = cv2.imread('1.jpg')
    grey = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
    
    # 检测人脸
    face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
    face = face_detector.detectMultiScale(grey)
    
    for x, y, w, h in face:
        # 返回人脸标签和可信度，可信度数值越低，可信度越高（用词不当，不要在意）
        label, confidence = recognizer.predict(grey[y:y+h, x:x+w])
    	# 这里将60作为界限，当检测检测值为60时，我们就确定人物
        if confidence <= 60:
            if label % 10 == 1:
                print('小罗伯特唐尼')
            elif lable % 10 == 2:
                pass
        else:
            print("未匹配到数据")
        cv2.imshow('im', im)
        cv2.waitKey(0)
    # 销毁窗口
    cv2.destroyAllWindows()

上述代码中，我们用标签label%10，可以获得文件最后一个数字，这样就可以达到区分人物的作用，我们用如下图片进行测试。

![0719e9cf4cf49af553a39e3911b7ecfc.png][]

输出结果如下：

小罗伯特唐尼
    1

算是成功了，多次测试后，发现准备率方面比较中规中矩。大家可以尝试多准备写图片用来训练，从而提高准确率。代码已上传GitHub：IronSpiderMan/GtxFaceDetector

[6cc96aa4b9e2b9984ee87ee7898e8828.png]: /images/20221119/f499092f45594523b50a7ca3f876c816.png
[d45416546222a850e27ece1d740c002b.png]: https://img-blog.csdnimg.cn/img_convert/d45416546222a850e27ece1d740c002b.png
[3aa3f5bbbaaef91388a47b2a8fb5c7fc.png]: https://img-blog.csdnimg.cn/img_convert/3aa3f5bbbaaef91388a47b2a8fb5c7fc.png
[a879d1e94ce0af817424b0054d50022e.png]: https://img-blog.csdnimg.cn/img_convert/a879d1e94ce0af817424b0054d50022e.png
[2ab81a0c1f4668fd6cc0d4d620649878.png]: https://img-blog.csdnimg.cn/img_convert/2ab81a0c1f4668fd6cc0d4d620649878.png
[c67789f05c93b524430e1da7c67f1caf.png]: https://img-blog.csdnimg.cn/img_convert/c67789f05c93b524430e1da7c67f1caf.png
[0719e9cf4cf49af553a39e3911b7ecfc.png]: https://img-blog.csdnimg.cn/img_convert/0719e9cf4cf49af553a39e3911b7ecfc.png