人脸检测部分我们已经搞定。
接下来我们来看一下人脸识别，那么人脸识别和人脸检测有何区别呢？
人脸检测就是使用opencv通过其自带的人脸特征数据，检测当前图片中是否含有人脸，而人脸识别是在人脸检测的基础上，检测图片中的人脸是不是我们目标的人脸。
听起来好像有点高大上。也确实如此。但是，过程并不是像我说的这么简单。首先，我们需要先开始训练数据。
一：训练数据
1：安装opencv-contrib-python模块
复制代码
pip install opencv-contrib-python
具体的安装方法，这个要看你自己的环境。
2：训练数据
首先，我们需要做一下准备。准备一些人脸数据，这里我会将我用到的人脸数据放到文章末尾，可以下载。
上代码：
ini
复制代码
#!/usr/bin/python3 # -*- coding: utf-8 -*- # @Time : 2022/3/22 19:15 # @Author : stone # @Email : 805795955@qq.com # @File : task.py # @Software: PyCharm import os import cv2 as cv import sys from PIL import Image import numpy as np def getFaceImgAndId(path): faceArray = [] idArray = [] imgPath = [os.path.join(path, f) for f in os.listdir(path)] print(imgPath) # 加载特征数据 face_detector = cv.CascadeClassifier( 'C:/opencv/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml') for imagePath in imgPath: # 打开图片 img = Image.open(imagePath).convert('L') # 将图像转换为数组 img_np = np.array(img,'uint8') # 图像人脸检测 faces = face_detector.detectMultiScale(img_np, scaleFactor=1.2, minNeighbors=10) id = int(os.path.split(imagePath)[1].split('.')[0]) for x, y, w, h in faces: faceArray.append(img_np[y:y+h,x:x+w]) idArray.append(id) return faceArray,idArray # 存储人脸识别图片路径 path = './face/' # 获取图像数组和id标签数组 faces, id = getFaceImgAndId(path) # 训练数据对象 recogObj = cv.face.LBPHFaceRecognizer_create() recogObj.train(faces,np.array(id)) # 将训练完成的数据 写入特征文件 recogObj.write('trainer/trainer.yml')
执行代码过程中代码可能会报错：
arduino
复制代码
AttributeError: module 'cv2' has no attribute 'gapi_wip_gst_GStreamerPipeline'
解决方法很简单，升级 opencv-python至最新版，执行下方命令：
css
复制代码
pip install --user --upgrade opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
执行代码再次报错：
vbnet
复制代码
AttributeError: module ‘cv2‘ has no attribute ‘face‘
这个怎么解决呢？卸载opencv-contrib-python，opencv-python，重新安装应该就好了。
执行下方这四个命令：
复制代码
pip uninstall opencv-contrib-python pip uninstall opencv-python pip install opencv-python pip install opencv-contrib-python
再次执行，发现目录下trainer目录下多了一个trainer.yml文件（trainer这个目录需要提前创建好，不然执行上方代码会报错）
二：人脸识别
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在形状、 大小上可以不同的人脸识别算法。
调整后的区域中调用 predict()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。 所有的算法都有一个置信度评分阈值， 置信度评分用来
衡量所识别人脸与原模型的差距， 0 表示完全匹配。 可能有时不想保留所有的识别结果， 则
需要进一步处理， 因此可用自己的算法来估算识别的置信度评分。 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。
上代码：
ini
复制代码
#!/usr/bin/python3 # -*- coding: utf-8 -*- # @Time : 2022/3/22 19:15 # @Author : stone # @Email : 805795955@qq.com # @File : task.py # @Software: PyCharm import cv2 import numpy as np import os #加载训练数据集文件 recogizer = cv2.face.LBPHFaceRecognizer_create() recogizer.read('trainer/trainer.yml') #准备识别的图片 img=cv2.imread('6.pgm') gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) face_detector = cv2.CascadeClassifier( 'C:/opencv/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml') faces = face_detector.detectMultiScale(gray) for x,y,w,h in faces: cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2) #人脸识别 id,confidence=recogizer.predict(gray[y:y+h,x:x+w]) print('标签id:',id,'置信评分：',confidence) cv2.imshow('result',img) cv2.waitKey(0) cv2.destroyAllWindows()
执行代码，输出：
标签id: 11 置信评分： 124.17017878044689
有以上大概就是人脸识别的基本实现，也就是能简单的实现，具体应用还是要再细化一下。
有好的建议，请在下方输入你的评论
