人脸识别的初步实现

这里打算实现一个人脸考勤机，本篇主要实现一个label和人脸的对应。

主要采取的方法为hog人脸框选+cv2.face.LBPHFaceRecognizer_create()分类器进行训练。

（采用传统的机器学习的方法，这种方法弊端其实还是很明显的，精度不够理想，后面会有结果的展示，后续会更新深度学习的实现）

整个步骤如下：

# 步骤
# 1、图片数据预处理
# 2、加载模型
# 3、训练模型
# 4、预测图片
# 5、评估测试数据集
# 6、保存模型
# 7、调用加载模型

首先进行图像的预处理，因为hog检测只能对传入的灰度图进行检测，所以要对图像进行预处理，然后提取和图像对应的标签，这里我直接定义了一个函数。

这里说明一下，因为笔者用的数据集为gif格式，所以读取的操作采用的cv2.VideoCapture的视频读取方法。

具体操作如下：

from sklearn.metrics import accuracy_score  #准确率的一个判断
# 获取融合矩阵
from sklearn.metrics import confusion_matrix
import cv2
import glob
import numpy as np
import dlib

#构造hog人脸检测器
hog_face_detetor = dlib.get_frontal_face_detector()


def getFaceImgLabel(fileName):
    #图像预处理
    cap = cv2.VideoCapture(fileName)
    ret,img = cap.read()
    img =  cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

    #检测人脸
    detections = hog_face_detetor( img, 1 )
    if len( detections ) > 0:
        x = detections[0].left()
        y = detections[0].top()
        r = detections[0].right()
        b = detections[0].bottom()

       # 截取人脸
        img_crop = img[y:b, x:r]
        # 缩放解决冲突
        img_crop = cv2.resize( img_crop, (120, 120) )

        # 获取人脸labelid,int 用于取消0
        #split分割，以前面为分割单元
        label_id = int( fileName.split( '/' )[-1].split( '.' )[0].split( 'subject' )[-1] )
        # 返回值
        return img_crop, label_id
    else:
        return None, -1

定义完图像的预处理和标签的提取函数以后，下面就要读取数据提取对应标签。

具体代码如下：

file_list = glob.glob( './yalefaces/train/*' )
# 构造两个空列表
img_list = []
label_list = []

for train_file in file_list:
    # 获取每一张图片的对应信息
    img, label = getFaceImgLabel( train_file )

    # 过滤数据
    if label != -1:
        img_list.append( img )
        label_list.append( label )

下面就要用数据进行分类器的训练：

分类器的用法是：先声明，然后训练/调用。

首先构造分类器：

#构造分类器
face_cls = cv2.face.LBPHFaceRecognizer_create()

训练：

# 训练
face_cls.train(img_list,np.array(label_list))

下面要进行模型的评估：

主要使用了klearn.metrics里面的accuracy函数。

file_list =glob.glob('./yalefaces/test/*')

true_list = []
predict_list = []

for test_file in file_list:
    # 获取每一张图片的对应信息
    img,label = getFaceImgLabel(test_file)
    #过滤数据
    if label != -1:
        predict_id,distance = face_cls.predict(img)
        predict_list.append(predict_id)
        true_list.append(label)

print('准确率为：',accuracy_score(true_list,predict_list))
#获取融合矩阵
cm = confusion_matrix(true_list,predict_list)
print(cm)

下面有相关的模型的保存和调用，主要是靠model.save和model.read实现的，具体如下：

face_cls.save('./LBPH.yml')
#调用
new_cls = cv2.face.LBPHFaceRecognizer_create()
new_cls.read('./LBPH.yml')

这里是分类器cv2的一个保存方式，其他的训练好的model可以用下面这种方法。

from joblib import dump,load

dump(cls,'./models/poly.')

cls = load('./models/svc.joblib')
predictLabels = cls.predict(x_test)

最后展示一下最终的识别的结果，可以看到精度是70%多，作为人脸识别的话这个精度是远远不够的，这与我数据集不够多有关，但是也体现传统机器学习在精度上面的一些弊端。