Python3.5+openCv進行人臉識別並匹配的環境搭建（Windows下）

時間  2019-11-20
標籤 python3.5+opencv python opencv 進行 識別 匹配 環境 搭建 windows 欄目 Python 简体版
原文   原文鏈接

1、參考博客html

　　地址 http://www.jianshu.com/p/d4a924c97416python

　　做者說的很詳細，能夠參考做者博客，搭建環境參考個人上一博客。react

　　這裏只說一些本身的理解，和解決遇到的問題，有想在Windows下實現人臉識別而且匹配的，能夠按照個人步驟一步步解決問題。經測試真實有效，很差用不要錢！- -！git

2、分析github

想要看懂代碼而且本身可以修改，你須要瞭解的幾個知識json

1：openCv調用圖片，或者視頻 。後端

 

    　

構建模型和模型訓練（問題開始逐漸多了，重點，敲黑板）數組

　　就是把剛纔的圖片放到dataset文件夾下，要單首創建文件夾，一個文件夾裏面放一我的的頭像。微信

　　*******（應該創建兩個以上文件夾，不然報錯，具體錯誤代碼 以下，緣由不詳：dom

　　　　　　

　　　　　　  #epochs、batch_size爲可調的參數，epochs爲訓練多少輪、batch_size爲每次訓練多少個樣本
                    #若是模型只有一個輸入，那麼x的類型是numpy array，若是模型有多個輸入，
                   #那麼x的類型應當爲list，list的元素是對應於各個輸入的numpy array
        　　　　　　　　self.model.fit(self.dataset.X_train,self.dataset.Y_train,epochs=7,batch_size=20)

　　　　　　）

　　運行train_model.py會調用dataSet.py,read_data.py

read_data.py下的

2：根據指定路徑讀取出圖片、標籤和類別數

　　imgs,labels,counter = read_file(path)

3： #將數據集打亂隨機分組
        X_train,X_test,y_train,y_test = train_test_split(imgs,labels,test_size=0.2,random_state=random.randint(0, 100))

        print(X_train.shape)#輸出結果(3, 128, 128)      3表明訓練集的個數

4： #從新格式化和標準化
        X_train = X_train.reshape(X_train.shape[0], 1, self.img_size, self.img_size)/255.0

 　　（reshape詳細看最下面）

 

train_model.py下的

5： #創建一個CNN模型，一層卷積、一層池化、一層卷積、一層池化、抹平以後進行全連接、最後進行分類

self.model = Sequential()
        self.model.add(
            Conv2D(
                filters=32,
                kernel_size=(5, 5),
                padding='same',
                dim_ordering='th',
                input_shape=self.dataset.X_train.shape[1:]
            )
        )

6：瞭解python的常見矩陣轉換

　　input_shape=self.dataset.X_train.shape[1:]

7：關於Keras 2.0版本運行demo出錯的問題

8 :缺乏h5py，導包。

 

 

詳細步驟：

一、得到訓練集數據

分步運行，運行pick_face.py,會調用read_img.py

　（我想改顏色了，發現改了顏色後真的識別不出來，灰色識別確實高，可是這看着不太舒服，最後拉上我郅哥陪我，啥也不怕了。）

二、*****

三、

imgs,labels,counter = read_file(path)
print(imgs)
print(labels)
print(counter)  打印結果以下

[[[ 88 131 132 ...,  19  19  34]
  [107 137 128 ...,  19  22  40]
  [112 130 116 ...,  22  29  51]
  ..., 
  [ 46  54  60 ..., 180 176 160]
  [ 48  54  59 ..., 177 172 167]
  [ 50  54  57 ..., 158 157 165]]      #1

 [[160 160 159 ..., 160 160 160]
  [160 160 160 ..., 161 160 161]
  [160 161 161 ..., 161 161 161]
  ..., 
  [132 130 131 ..., 137 136 136]
  [131 131 130 ..., 137 136 136]
  [131 130 130 ..., 136 136 136]]      #2

 [[220 221 221 ..., 221 221 222]
  [221 222 222 ..., 223 223 222]
  [223 223 223 ..., 222 223 223]
  ..., 
  [213 212 208 ..., 179 179 179]
  [212 213 211 ...,  83 178 178]
  [211 213 211 ..., 177 177 177]]      #3

 ..., 
 [[128 126 124 ...,  90  90  90]
  [129 128 127 ...,  93  94  93]
  [131 129 129 ...,  92  94  93]
  ..., 
  [ 70  66  63 ...,  65  68  70]
  [ 67  62  58 ...,  65  69  70]
  [ 62  60  60 ...,  67  74  76]]     #4

 [[  4   5   4 ...,  27  40  47]
  [  3   4   4 ...,  28  36  44]
  [  4   4   4 ...,  36  40  45]
  ..., 
  [ 19  20  19 ..., 159 160 158]
  [ 20  23  22 ..., 158 159 160]
  [ 17  21  21 ..., 157 159 158]]     #5

 [[ 14  16  16 ..., 183 183 182]
  [ 19  19  21 ..., 183 183 183]
  [ 22  18  20 ..., 182 183 183]
  ..., 
  [100 102  99 ..., 189 189 189]
  [100 100 101 ..., 188 188 189]
  [ 99  98 100 ..., 190 189 189]]]    #6    我有兩個文件夾，八張圖片，不知道爲何只顯示六張圖片？？？？
[0, 0, 0, 1, 1, 1, 1, 1]               #標籤表明文件夾索引  第一個文件夾裏3張圖片，第二個文件夾裏面5張圖片
2                                      #一共兩文件夾
[[[227 225 224 ..., 231 231 232]
  [226 228 223 ..., 232 232 232]
  [228 225 221 ..., 230 231 231]
  ..., 
  [226 226 227 ..., 125 109 104]
  [226 227 228 ..., 122 107 104]
  [227 228 226 ..., 116 105 101]]

 [[ 14  16  16 ..., 183 183 182]
  [ 19  19  21 ..., 183 183 183]
  [ 22  18  20 ..., 182 183 183]
  ..., 
  [100 102  99 ..., 189 189 189]
  [100 100 101 ..., 188 188 189]
  [ 99  98 100 ..., 190 189 189]]

 [[ 88 131 132 ...,  19  19  34]
  [107 137 128 ...,  19  22  40]
  [112 130 116 ...,  22  29  51]
  ..., 
  [ 46  54  60 ..., 180 176 160]
  [ 48  54  59 ..., 177 172 167]
  [ 50  54  57 ..., 158 157 165]]

 [[128 126 124 ...,  90  90  90]
  [129 128 127 ...,  93  94  93]
  [131 129 129 ...,  92  94  93]
  ..., 
  [ 70  66  63 ...,  65  68  70]
  [ 67  62  58 ...,  65  69  70]
  [ 62  60  60 ...,  67  74  76]]

 [[160 160 159 ..., 160 160 160]
  [160 160 160 ..., 161 160 161]
  [160 161 161 ..., 161 161 161]
  ..., 
  [132 130 131 ..., 137 136 136]
  [131 131 130 ..., 137 136 136]
  [131 130 130 ..., 136 136 136]]

 [[  4   5   4 ...,  27  40  47]
  [  3   4   4 ...,  28  36  44]
  [  4   4   4 ...,  36  40  45]
  ..., 
  [ 19  20  19 ..., 159 160 158]
  [ 20  23  22 ..., 158 159 160]
  [ 17  21  21 ..., 157 159 158]]]
(6, 128, 128)                        #分割出來六個訓練集
[Finished in 5.2s]

  參考博客：http://blog.csdn.net/churximi/article/details/61415254

 

 

四、X_train = X_train.reshape(X_train.shape[0], 1, self.img_size, self.img_size)/255.0

根據Numpy文檔()的解釋：（能看明白的都麼是大嬸）

　　清楚解釋以下

1 import numpy as np 2 z=np.array([ 3 [1,2,3,4], 4 [5,6,7,8], 5 [9,10,11,12], 6 [13,14,15,16] 7  ]) 8 print(z.shape) #輸出(4,4)


import numpy as np
z=np.array([
    [1,2,3,4],
    [5,6,7,8],
    [9,10,11,12],
    [13,14,15,16]
    ])
print(z.reshape(-1,1)) #也就是說，先前咱們不知道z的shape屬性是多少，可是想讓z變成只有一列，行數不知道多少，
#輸出以下
[[ 1]
 [ 2]
 [ 3]
 [ 4]
 [ 5]
 [ 6]
 [ 7]
 [ 8]
 [ 9]
 [10]
 [11]
 [12]
 [13]
 [14]
 [15]
 [16]]

print(z.reshape(-1,2))
#輸出以下
[[ 1  2]
 [ 3  4]
 [ 5  6]
 [ 7  8]
 [ 9 10]
 [11 12]
 [13 14]
 [15 16]]

print(z.reshape(-1,2,8))
#輸出以下
[[[ 1  2  3  4  5  6  7  8]
  [ 9 10 11 12 13 14 15 16]]]

print(z.reshape(-1,2,4,1))
#輸出以下
[[[[ 1]
   [ 2]
   [ 3]
   [ 4]]

  [[ 5]
   [ 6]
   [ 7]
   [ 8]]]


 [[[ 9]
   [10]
   [11]
   [12]]

  [[13]
   [14]
   [15]
   [16]]]]

、最後總結爲，reshape(-1,2,4,1)裏面加幾個參數，就是造成幾維數組，從右向左起，爲每維數組裏的個數，（-1，2，4，1）一維數組裏面有1個，二維數組裏面4個，三圍數組裏面2個，因爲不知道z的

值，就用-1表示，自動運算16/1/4/2=2。注意，維度必定要保證可以整除，不能出現除不盡的狀況。

#將數據集打亂隨機分組
        X_train,X_test,y_train,y_test = train_test_split(imgs,labels,test_size=0.2,random_state=random.randint(0, 100))

        print(X_train.shape)#輸出結果(3, 128, 128)

 　　#從新格式化和標準化
        X_train = X_train.reshape(X_train.shape[0], 1, self.img_size, self.img_size)/255.0

　　 將X_train由一個三維數組，變成一個四維數組。

 至關於x_train=X_train.reshape(3,1,128,128) 其他沒變，多加了一個維度而已。

 

五、

 def build_model(self):
        self.model = Sequential()
        self.model.add(
            Convolution2D(
                filters=32,
                kernel_size=(5, 5),
                padding='same',
                dim_ordering='th',
                input_shape=self.dataset.X_train.shape[1:]
            )
        )

 

首先了解 Keras:基於Python的深度學習庫       中文文檔地址 http://keras-cn.readthedocs.io/en/latest/  

博客地址  http://blog.csdn.net/sinat_26917383/article/details/72857454?fps=1&locationNum=1

 

keras的後臺引擎，三種後端TensorFlow、theano、cntk。

*******重要*******開始我換了theano，可是老是出錯，各類各樣的問題，最後仍是直接就用了tensorflow,也沒有作什麼修改，具體底層怎麼運行的我會在後續學習中補充，也但願有知道的大神能夠告訴一下我，感激涕零。

做者說本案例是基於theano的，若是基於tensorflow的backend須要進行修改，而發現keras默認後端是tensorflow，想換回theano，看了官方文檔，只說明瞭Linux的環境更換，在Windows下

其實就是在C:\Users\Administrator有個文件夾.keras，裏面有keras.json文件，改一下里面的內容就行了，若是沒有文件夾和文件，手動建立就行。用theano的話，keras.json寫入

{
    "backend": "tensorflow",
    "epsilon": 1e-07,
    "image_data_format": "channels_last",
    "floatx": "float32"
}

六、矩陣轉換  博客學習地址      http://blog.csdn.net/taxueguilai1992/article/details/46581861

  

from numpy import *
import numpy as np

a1=array([1,2,3])
a1=mat(a1)

#1print(a1)  [[1 2 3]]
#
a1=mat([[1,1],[2,3],[4,2]]);
#2print(a1)  [[1 1]
#             [2 3]
#             [4 2]]
         
#3print(a1[1,:])     [[2 3]]加了逗號就是取第二行值
     
#4print(sum(a1[1,:]))  計算第一行全部列的和  5

#print(a1[1:])   [[2 3]
#                  [4 2]]     不加逗號就是從第二行以後分割

#print(a1[1:,1:])    分割出第二行之後的行和第二列之後的列的全部元素    
#[[3]
# [2]]

 

七、博客學習地址     http://blog.csdn.net/johinieli/article/details/69222956

     更新keras到2.0版本   pip install keras==2.0(本人親測好使)

使用如下命令來查看 Keras 版本。

>>> import keras

Using TensorFlow backend.

>>> keras.__version__

 

升級後原做者代碼也須要更改  Conv2D而再也不是Convolution2D。

八、*****

 

最後附一張成功識別圖，感謝原代碼做者，也感謝衆多查閱的博客疑難解答，小白一枚，前方路遠，路漫漫其修遠兮

 

 代碼地址：https://github.com/chaoyuebeijita/face

 

2017/12/18    做者一路致金   微信 chaoyuebeijita  QQ 869613275 

歡迎指正學習，我纔剛上路

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程