当前位置: 首页 > news >正文

人脸识别【python-基于OpenCV】

1. 导入并显示图片

#导入模块
import cv2 as cv#读取图片
img=cv.imread('img/wx(1).jpg')  #路径名为全英文,出现中文 图片加载失败,"D:\picture\wx.jpg"
#显示图片  (显示标题,显示图片对象)
cv.imshow('read_picture',img)#等待键盘输入(毫秒单位) 值为0 :表示无限等待
cv.waitKey(0)#释放内存 opencv底层由C++ 编写
cv.destroyAllWindows()

2. 将图片进行灰度处理

import cv2 as cv  #以cv 引用 cv2
img=cv.imread('img/wx(1).jpg')
cv.imshow('BGR_img',img)  #展示该图片
#等待键盘获取时间,该时间内得到键盘响应则继续向下执行;否则展示图片计时结束后自动运行
cv.waitKey(3000)#将 img对象灰度处理后,赋予gray_img对象
gray_img=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
cv.imshow('gray_img',gray_img)  #展示灰度图片
#保存转换后的图片 (’新文件名‘,原图片对象)
cv.imwrite('img/gray_wx(1).jpg', gray_img)
cv.waitKey(3000)
cv.destroyAllWindows()  #释放内存

3. 更改图片的尺寸大小

import cv2 as cv
img=cv.imread('img/wx(1).jpg')
cv.imshow('old_img',img)
print('原图尺寸为(宽、高、):',img.shape)
cv.waitKey(5000)#改变原始图片尺寸大小
resize_img=cv.resize(img,dsize=(500,500))
print('当前图片尺寸(宽、高、):',resize_img.shape)
cv.imshow('resize_img',resize_img)#更改waitKey等待条件 : 键盘输入 'q'
while 1:if ord(' ')==cv.waitKey(0):breakcv.destroyAllWindows()

4. 在图片中绘制图形

import cv2 as cv
img=cv.imread('img/wx(1).jpg')
img2=cv.imread('img/wx(1).jpg')
#矩形描点:左上角坐标(x,y),右下角坐标(x+w,y+h),w:宽,h:高
x,y,w,h=100,100,40,40
#绘制矩形 (图片对象,坐标(),颜色(),宽度)
cv.rectangle(img,(x,y,x+w,y+h),color=(0,255,0),thickness=2)  #color(BGR)
cv.imshow('rectangle_img',img)
cv.waitKey(2000)#绘制圆形:(原点坐标(),半径,颜色,宽度)
cv.circle(img2,center=(100,100),radius=40,color=(0,0,255),thickness=2)
cv.imshow('circle_img',img2)
cv.waitKey(2000)
cv.destroyAllWindows()

5. 对图片进行人脸检测,对应面部区域绘制矩形

import cv2 as cv
img=cv.imread('img/wx(1).jpg')
img2=cv.imread('img/wx(1).jpg')
#矩形描点:左上角坐标(x,y),右下角坐标(x+w,y+h),w:宽,h:高
x,y,w,h=100,100,40,40
#绘制矩形 (图片对象,坐标(),颜色(),宽度)
cv.rectangle(img,(x,y,x+w,y+h),color=(0,255,0),thickness=2)  #color(BGR)
cv.imshow('rectangle_img',img)
cv.waitKey(2000)#绘制圆形:(原点坐标(),半径,颜色,宽度)
cv.circle(img2,center=(100,100),radius=40,color=(0,0,255),thickness=2)
cv.imshow('circle_img',img2)
cv.waitKey(2000)
cv.destroyAllWindows()

6. 多人人脸检测

import cv2 as cv
def face_detact_demo(img_path):img=cv.imread(img_path)if img is None:print("Error:img_path error!")return# 1:灰度处理并适当更改尺寸大小# img=cv.resize(img,dsize=(1000,600))gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)# 2:加载特征数据,获取特征对象face_detector=cv.CascadeClassifier('D:/opencv/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')if face_detector.empty():print("Error:Failed to load haarcascade_frontalface_default.xml")return# 3:检测人脸,获取范围坐标faces = face_detector.detectMultiScale(gray)# faces=face_detector.detectMultiScale(gray,scaleFactor=1.01,minNeighbors=3,flags=0,maxSize=(35,35),minSize=(29,29))# detectMultiScale(image,scaleFactor = 1.1,minNeighbors = 3,flags = 0,minSize = Size(),maxSize = Size())if len(faces)==0:print("Error:NO faces face_detected!")returnelse:# 在监测的人脸范围绘制矩形for (x,y,w,h) in faces:print(x,y,w,h)cv.rectangle(img,(x,y),(x+w,y+h),color=(0,0,255),thickness=2)cv.circle(img,(x+w//2,y+h//2),radius=w//2,color=(0,255,0),thickness=2)cv.imshow('face_detect',img)cv.waitKey(10000)img_path='img/m.jpg'
face_detact_demo(img_path)
cv.destroyAllWindows()

由特征对象获取人脸范围坐标时,因图片中人脸的精准度问题可能存在获取非人脸范围,因此需要调节函数参数,实现高效扫描

face_detector.detectMultiScale 是 OpenCV 库中用于人脸检测的一个常用函数。这个函数属于 Haar 或 LBP 特征分类器的一部分,通常用于在图像中检测不同大小的人脸

std::vector<Rect> detectMultiScale(InputArray image,double scaleFactor = 1.1,int minNeighbors = 3,int flags = 0,Size minSize = Size(),Size maxSize = Size()
);

参数介绍:

  1. image: 输入图像,通常是一个灰度图像(尽管也可以传入彩色图像,但内部会自动转换为灰度图)。
  2. scaleFactor: 图像缩放的比例因子。例如,1.1 表示每次图像尺寸变为原来的 1.1 倍。该参数决定了图像金字塔的层数,从而影响检测到的人脸的大小范围。
  3. minNeighbors: 每个候选矩形区域需要有多少个相邻的矩形区域来保留该区域,也就是扫描该范围多少次。这个参数影响检测的准确度和检测到的区域的数量。
  4. flags: 修改检测方法的标志。可以是以下值的组合:
    • CASCADE_SCALE_IMAGE: 按比例缩放图像。默认开启。
    • CASCADE_FIND_BIGGEST_OBJ: 只返回最大的对象。
    • CASCADE_DO_ROUGH_SEARCH: 只做粗略搜索。
    • CASCADE_DO_CANNY_PRUNING: 使用 Canny 边缘检测器来丢弃一些边缘太多的图像区域。
    • CASCADE_SCALE_IMAGE 和 CASCADE_DO_ROUGH_SEARCH 通常默认开启,其他标志可能需要根据具体需求来设置。
  1. minSize: 目标对象的最小可能尺寸。
  2. maxSize: 目标对象的最大可能尺寸。

返回值

该函数返回一个 Rect 对象的向量,每个 Rect 对象代表检测到的人脸的位置和大小

7. 视频人脸检测:

import cv2 as cv
def faces_detect_demo(img):#灰度处理gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)#加载特征数据face_detector = cv.CascadeClassifier('D:/opencv/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')if face_detector.empty():print("Error: failed to load face_detector!")return#检测人脸范围face=face_detector.detectMultiScale(gray)#绘制人脸矩形for(x,y,w,h)in face:print(x,y,w)cv.rectangle(img,(x,y),(x+w,y+h),color=(255,0,255),thickness=2)cv.circle(img,center=(x+w//2,y+h//2),radius=w//2,color=(255,0,0),thickness=2)#显示图片cv.imshow('vedio_detect',img)#1:读取本地视频
# "D:\桌面\代码\video.mp4"
cap1=cv.VideoCapture('v.mp4')
#2:调用自己的摄像头
cap=cv.VideoCapture(0)while True:#flag为监测标志位flag为false时退出视频监测#frame为视频中读取每一帧的的图片对象flag,frame=cap.read()if not flag:break#进行方法监测faces_detect_demo(frame)# 键入空格退出,否则循环检测if ord('q')==cv.waitKey(3000):break
cv.destroyAllWindows()
cap.release()

以上提供两种视频提供:

#1:读取本地视频
cap1=cv.VideoCapture('v.mp4')
#2:调用自己的摄像头
cap2=cv.VideoCapture(0)

继而循环从视频中提取图片对象:flag,frame=cap.read() 进行方法检测人脸

flag 以及 操作键入值 q 作为循环是否继续的判断

8. 人脸数据训练:

import os
import sys
import cv2
import numpy as np
from PIL import Imagedef getImageAndLabels(path):facesSamples=[]ids=[]#将路径与文件名称结合 以列表形式存储imagePaths=[os.path.join(path,f) for f in os.listdir(path)]# 加载特征数据face_detector = cv2.CascadeClassifier('D:/opencv/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')if face_detector.empty():print("Error: failed to load face_detector!")return#遍历列表中的图片for imagePath in imagePaths:#打开图片PIL_img=Image.open(imagePath).convert('L')#将图片转为数组img_numpy=np.array(PIL_img,'uint8')# 检测人脸范围face = face_detector.detectMultiScale(img_numpy)#获取图片id#将路径中第二部分文件名中的数据id由‘.’进行分割,将字符串转换为整形存储id=int(os.path.split(imagePath)[1].split('.')[0])for x,y,w,h in face:#将人脸检测范围进行切片处理,作为图像数组facesSamples.append(img_numpy[y:y+h,x:x+w])ids.append(id)return facesSamples,idsif __name__ == '__main__':#图片路径:path='./data/jm/'#获取图像数组以及id标签数组faces,ids=getImageAndLabels(path)#获取循环对象recognizer=cv2.face.LBPHFaceRecognizer_create()recognizer.train(faces, np.array(ids))#保存文件recognizer.write('trainer/trainer.yml')

获取训练集:

9. 人脸识别:

基于 LBPH 的人脸识别

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。

import cv2
import os
import numpy as np#加载训练数据文件
recognizer=cv2.face.LBPHFaceRecognizer_create()
recognizer.read('trainer/trainer.yml')
#准备识别的图片
img=cv2.imread('./img/10.pgm')gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
face_detector = cv2.CascadeClassifier('D:/opencv/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')
face=face_detector.detectMultiScale(gray)
for x,y,w,h in face:cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),thickness=2)#人脸识别id,confidence=recognizer.predict(gray[y:y+h,x:x+w])print('标签id:',id,'置信评分:',confidence)print('置信评分范围低于 50,高于80为低的置信度评分')img2_path='data/jm/'+str(id)+'.pgm'img2=cv2.imread(img2_path)
#扩大图像尺寸
img=cv2.resize(img,(300,300))
img2=cv2.resize(img2,(300,300))
#face_detect 检测图像展示
cv2.imshow('face_detect',img)
#recognize_img 原始图像成功比对图片
cv2.imshow('recognize_img',img2)
cv2.waitKey(8000)

相关文章:

人脸识别【python-基于OpenCV】

1. 导入并显示图片 #导入模块 import cv2 as cv#读取图片 imgcv.imread(img/wx(1).jpg) #路径名为全英文&#xff0c;出现中文 图片加载失败,"D:\picture\wx.jpg" #显示图片 &#xff08;显示标题&#xff0c;显示图片对象&#xff09; cv.imshow(read_picture,im…...

redis常用命令和内部编码

文章目录 redis 为什么快redis中的Stringsetsetnxsetex getmsetmget计数操作incr、incrby、decr、decrby、incrbyfloatincrincrbyincrbyfloat 拼接&#xff08;append&#xff09;、获取(getrange)、修改字符串(setrange)、获取字符串长度(strlen)操作appendgetrangesetrangest…...

UI操作总结

该类 SolarWebx 继承自 Webx 和 IUixLikeMixin&#xff0c;主要用于扩展 giraffe.EasyUILibrary 的功能&#xff0c;提供了一系列与网页操作、元素定位、截图、图片处理等相关的方法。以下是对该类中每个方法的简要总结&#xff1a; __init__ 方法 作用&#xff1a;初始化 Sola…...

数据结构——实验八·学生管理系统

嗨~~欢迎来到Tubishu的博客&#x1f338;如果你也是一名在校大学生&#xff0c;正在寻找各种编程资源&#xff0c;那么你就来对地方啦&#x1f31f; Tubishu是一名计算机本科生&#xff0c;会不定期整理和分享学习中的优质资源&#xff0c;希望能为你的编程之路添砖加瓦⭐&…...

力扣hot100-->滑动窗口、贪心

你好呀&#xff0c;欢迎来到 Dong雨 的技术小栈 &#x1f331; 在这里&#xff0c;我们一同探索代码的奥秘&#xff0c;感受技术的魅力 ✨。 &#x1f449; 我的小世界&#xff1a;Dong雨 &#x1f4cc; 分享我的学习旅程 &#x1f6e0;️ 提供贴心的实用工具 &#x1f4a1; 记…...

Linux 内核中的高效并发处理:深入理解 hlist_add_head_rcu 与 NAPI 接口

在 Linux 内核的开发中,高效处理并发任务和数据结构的管理是提升系统性能的关键。特别是在网络子系统中,处理大量数据包的任务对性能和并发性提出了极高的要求。本文将深入探讨 Linux 内核中的 hlist_add_head_rcu 函数及其在 NAPI(网络接收处理接口)中的应用,揭示这些机制…...

centos哪个版本建站好?centos最稳定好用的版本

在信息化飞速发展的今天&#xff0c;服务器操作系统作为构建网络架构的基石&#xff0c;其稳定性和易用性成为企业和个人用户关注的重点。CentOS作为一款广受欢迎的开源服务器操作系统&#xff0c;凭借其强大的性能、出色的稳定性和丰富的软件包资源&#xff0c;成为众多用户建…...

软件越跑越慢的原因分析

如果是qt软件&#xff0c;可以用Qt Creator Profiler 作性能监控如果是通过web请求&#xff0c;可以用JMeter监控。 软件运行过程中逐渐变慢的现象&#xff0c;通常是因为系统资源&#xff08;如 CPU、内存、磁盘 I/O 等&#xff09;逐渐被消耗或软件中存在性能瓶颈。这个问题…...

LeetCode 力扣热题100 二叉树的直径

class Solution { public:// 定义一个变量 maxd&#xff0c;用于存储当前二叉树的最大直径。int maxd 0; // 主函数&#xff0c;计算二叉树的直径。int diameterOfBinaryTree(TreeNode* root) {// 调用 maxDepth 函数进行递归计算&#xff0c;并更新 maxd。maxDepth(root);// …...

【图文详解】lnmp架构搭建Discuz论坛

安装部署LNMP 系统及软件版本信息 软件名称版本nginx1.24.0mysql5.7.41php5.6.27安装nginx 我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客: 关闭防火墙 systemctl stop firewalld &&a…...

小哆啦解题记:整数转罗马数字

小哆啦解题记&#xff1a;整数转罗马数字 小哆啦开始力扣每日一题的第十四天 https://leetcode.cn/problems/integer-to-roman/submissions/595220508/ 第一章&#xff1a;神秘的任务 一天&#xff0c;哆啦A梦接到了一项任务——将一个整数转换为罗马数字。他心想&#xff1a;…...

【Java数据结构】排序

【Java数据结构】排序 一、排序1.1 排序的概念1.2 排序的稳定性1.3 内部排序和外部排序1.3.1 内部排序1.3.2 外部排序 二、插入排序2.1 直接插入排序2.2 希尔排序 三、选择排序3.1 选择排序3.2 堆排序 四、交换排序4.1 冒泡排序4.2 快速排序Hoare法&#xff1a;挖坑法&#xff…...

我的求职之路合集

我把我秋招和春招的一些笔面试经验在这里发一下&#xff0c;网友们也可以参考一下。 我的求职之路&#xff1a;&#xff08;1&#xff09;如何谈自己的缺点 我的求职之路&#xff1a;&#xff08;2&#xff09;找工作时看重的点 我的求职之路&#xff1a;&#xff08;3&…...

数据结构(四) B树/跳表

目录 1. LRU 2. B树 3. 跳表 1. LRU: 1.1 概念: 最近最少使用算法, 就是cache缓存的算法. 因为cache(位于内存和cpu之间的存储设备)是一种容量有限的缓存, 有新的数据进入就需要将原本的数据进行排出. 1.2 LRU cache实现: #include <iostream> #include <list>…...

Arcgis国产化替代:Bigemap Pro正式发布

在数字化时代&#xff0c;数据如同新时代的石油&#xff0c;蕴含着巨大的价值。从商业决策到科研探索&#xff0c;从城市规划到环境监测&#xff0c;海量数据的高效处理、精准分析与直观可视化&#xff0c;已成为各行业突破发展瓶颈、实现转型升级的关键所在。历经十年精心打磨…...

LBS 开发微课堂|AI向导接口服务:重塑用户的出行体验

为了让广大开发者 更深入地了解 百度地图开放平台的 技术能力 轻松掌握满满的 技术干货 更加简单地接入 位置服务 我们特别推出了 “位置服务&#xff08;LBS&#xff09;开发微课堂” 系列技术案例 第六期的主题是 《AI向导接口服务的能力与接入方案》 随着地图应…...

AI导航工具我开源了利用node爬取了几百条数据

序言 别因今天的懒惰&#xff0c;让明天的您后悔。输出文章的本意并不是为了得到赞美&#xff0c;而是为了让自己能够学会总结思考&#xff1b;当然&#xff0c;如果有幸能够给到你一点点灵感或者思考&#xff0c;那么我这篇文章的意义将无限放大。 背景 随着AI的发展市面上…...

openstack单机安装

openstack单机安装 网卡配置安装依赖开启虚拟环境修改配置文件 部署openstack部署openstack客户端访问可视化界面Horizon补充 本篇主要讲述Ubuntu2204单机安装openstackstable/2024.2。其他版本的Linux系统或者openstack版本&#xff0c;请参考openstack官网。 网卡配置 需要配…...

Vue3实现小红书瀑布流布局任意组件动态更新页面方法实践

思路 1.首先定义一个瀑布流容器&#xff0c;它的高度暂定&#xff08;后面会更新&#xff09;。把需要布局的组件&#xff08;这里叫做waterfall-item&#xff09;放在瀑布流容器里面渲染出来。使用绝对定位&#xff08;position: absolute&#xff09;&#xff0c;把它移到屏幕…...

深度学习项目--基于LSTM的糖尿病预测探究(pytorch实现)

&#x1f368; 本文为&#x1f517;365天深度学习训练营 中的学习记录博客&#x1f356; 原作者&#xff1a;K同学啊 前言 LSTM模型一直是一个很经典的模型&#xff0c;一般用于序列数据预测&#xff0c;这个可以很好的挖掘数据上下文信息&#xff0c;本文将使用LSTM进行糖尿病…...

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站&#xff0c;会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后&#xff0c;网站没有变化的情况。 不熟悉siteground主机的新手&#xff0c;遇到这个问题&#xff0c;就很抓狂&#xff0c;明明是哪都没操作错误&#x…...

服务器硬防的应用场景都有哪些?

服务器硬防是指一种通过硬件设备层面的安全措施来防御服务器系统受到网络攻击的方式&#xff0c;避免服务器受到各种恶意攻击和网络威胁&#xff0c;那么&#xff0c;服务器硬防通常都会应用在哪些场景当中呢&#xff1f; 硬防服务器中一般会配备入侵检测系统和预防系统&#x…...

什么是EULA和DPA

文章目录 EULA&#xff08;End User License Agreement&#xff09;DPA&#xff08;Data Protection Agreement&#xff09;一、定义与背景二、核心内容三、法律效力与责任四、实际应用与意义 EULA&#xff08;End User License Agreement&#xff09; 定义&#xff1a; EULA即…...

ElasticSearch搜索引擎之倒排索引及其底层算法

文章目录 一、搜索引擎1、什么是搜索引擎?2、搜索引擎的分类3、常用的搜索引擎4、搜索引擎的特点二、倒排索引1、简介2、为什么倒排索引不用B+树1.创建时间长,文件大。2.其次,树深,IO次数可怕。3.索引可能会失效。4.精准度差。三. 倒排索引四、算法1、Term Index的算法2、 …...

EtherNet/IP转DeviceNet协议网关详解

一&#xff0c;设备主要功能 疆鸿智能JH-DVN-EIP本产品是自主研发的一款EtherNet/IP从站功能的通讯网关。该产品主要功能是连接DeviceNet总线和EtherNet/IP网络&#xff0c;本网关连接到EtherNet/IP总线中做为从站使用&#xff0c;连接到DeviceNet总线中做为从站使用。 在自动…...

人机融合智能 | “人智交互”跨学科新领域

本文系统地提出基于“以人为中心AI(HCAI)”理念的人-人工智能交互(人智交互)这一跨学科新领域及框架,定义人智交互领域的理念、基本理论和关键问题、方法、开发流程和参与团队等,阐述提出人智交互新领域的意义。然后,提出人智交互研究的三种新范式取向以及它们的意义。最后,总结…...

2025年渗透测试面试题总结-腾讯[实习]科恩实验室-安全工程师(题目+回答)

安全领域各种资源&#xff0c;学习文档&#xff0c;以及工具分享、前沿信息分享、POC、EXP分享。不定期分享各种好玩的项目及好用的工具&#xff0c;欢迎关注。 目录 腾讯[实习]科恩实验室-安全工程师 一、网络与协议 1. TCP三次握手 2. SYN扫描原理 3. HTTPS证书机制 二…...

安卓基础(Java 和 Gradle 版本)

1. 设置项目的 JDK 版本 方法1&#xff1a;通过 Project Structure File → Project Structure... (或按 CtrlAltShiftS) 左侧选择 SDK Location 在 Gradle Settings 部分&#xff0c;设置 Gradle JDK 方法2&#xff1a;通过 Settings File → Settings... (或 CtrlAltS)…...

数据结构:递归的种类(Types of Recursion)

目录 尾递归&#xff08;Tail Recursion&#xff09; 什么是 Loop&#xff08;循环&#xff09;&#xff1f; 复杂度分析 头递归&#xff08;Head Recursion&#xff09; 树形递归&#xff08;Tree Recursion&#xff09; 线性递归&#xff08;Linear Recursion&#xff09;…...

小智AI+MCP

什么是小智AI和MCP 如果还不清楚的先看往期文章 手搓小智AI聊天机器人 MCP 深度解析&#xff1a;AI 的USB接口 如何使用小智MCP 1.刷支持mcp的小智固件 2.下载官方MCP的示例代码 Github&#xff1a;https://github.com/78/mcp-calculator 安这个步骤执行 其中MCP_ENDPOI…...