Python-OpenCV訓練一我的臉識別器

想要能人臉識別，咱們須要訓練一個識別器處理。訓練的話就須要以前已經標註好的訓練集，在前一篇文章中，咱們建立了一個已經標註好的訓練集。如今，是時候用這個訓練集來訓練一我的臉識別器了。固然，是用OpenCV Python。

準備

首先，咱們在（前一篇文章的）同目錄下建立一個叫Python文件，名爲trainner.py，用於編寫數據集生成腳本。同目錄下，建立一個文件夾，名爲trainner，用於存放咱們訓練後的識別器。

如今，項目目錄大概如此：

其餘亂七八糟的文件、目錄，都是以前的文章中建立的。

在開始以前，咱們先安裝一個Python庫，Pillow：

pip install pillow

開始Coding

導入庫

編寫訓練程序須要先作是：

1. 導入opencv庫
2. 導入os庫，用於方法文件
3. 導入numpy庫，用於計算
4. 導入pillow庫，用於處理圖像

其實就是這樣：

import cv2
import os
import numpy as np
from PIL import Image

如今咱們初始化識別器和人臉檢測器：

recognizer = cv2.face.LBPHFaceRecognizer_create()
# 有多是 recognizer = cv2.createLBPHFaceRecognizer()
detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

若是face.LBPHFaceRecognizer_create或createLBPHFaceRecognizer顯示不存在，則須要下載opencv-contrib-python：

pip install opencv-contrib-python

固然用IDE的也行：

載入訓練數據

恩，如今咱們來建立一個函數，用於從數據集文件夾中獲取訓練圖片，而後從圖片的文件名中獲取到這個素材相應的id。須要remind的是，根據前文，圖片的格式是User.id.samplenumber。

給函數起個名字，就叫get_images_and_labels吧（Python不建議用駝峯），而後參數須要有素材的文件夾：

def get_images_and_labels(path):

在函數中，咱們須要的作的有：

1. 從數據集文件夾中載入訓練圖片
2. 獲取到人臉和id
3. 整理成list並返回

獲取圖片：

image_paths=[os.path.join(path, f) for f in os.listdir(path)]

新建兩個list用於存放：

face_samples=[]
ids=[]

遍歷圖片路徑，導入圖片和id，添加到list：

for image_path in image_paths:
        image = Image.open(image_path).convert('L')
        image_np = np.array(image, 'uint8')
        image_id = int(os.path.split(image_path)[-1].split(".")[1])
        faces = detector.detectMultiScale(image_np)
        for (x, y, w, h) in faces:
            face_samples.append(image_np[y:y + h, x:x + w])
            ids.append(image_id)

以上代碼，使用了Image.open(image_path).convert(‘L’)經過圖片路徑並將其轉換爲灰度圖片。

接下來咱們經過image_np = np.array(image, 'uint8')將圖片轉換成了Numpy數組，Numpy數組的邏輯結構和普通的數組無異，可是是通過優化的。

爲了獲取到id，咱們將圖片的路徑分裂一下並獲取相關信息，即image_id = int(os.path.split(image_path)[-1].split(".")[1])

接下來的一個循環for (x, y, w, h) in faces則是將圖片和id都添加在list中。

再return一下便可。

訓練

差很少完成了，如今咱們調用一下這個函數，而後將咱們的數據餵給識別器去訓練吧。

faces, Ids = get_images_and_labels('dataSet')
recognizer.train(faces, np.array(Ids))
recognizer.save('trainner/trainner.yml')

如今只要咱們運行這些代碼，程序就會在trainner文件夾中建立一個trainner.yml文件。

這個yml文件，存着咱們的訓練好的數據，之後識別會用到的。

完整代碼

import cv2
import os
import numpy as np
from PIL import Image

# recognizer = cv2.createLBPHFaceRecognizer()
detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
recognizer = cv2.face.LBPHFaceRecognizer_create()


def get_images_and_labels(path):
    image_paths = [os.path.join(path, f) for f in os.listdir(path)]
    face_samples = []
    ids = []

    for image_path in image_paths:
        image = Image.open(image_path).convert('L')
        image_np = np.array(image, 'uint8')
        if os.path.split(image_path)[-1].split(".")[-1] != 'jpg':
            continue
        image_id = int(os.path.split(image_path)[-1].split(".")[1])
        faces = detector.detectMultiScale(image_np)
        for (x, y, w, h) in faces:
            face_samples.append(image_np[y:y + h, x:x + w])
            ids.append(image_id)

    return face_samples, ids


faces, Ids = get_images_and_labels('dataSet')
recognizer.train(faces, np.array(Ids))
recognizer.save('trainner/trainner.yml')

先這樣吧

原文，如有錯誤之處請指出，更多地關注煎魚。