人脸识别（具体版）

前面我们只去检测了人脸，但是没有对人脸具体识别出是张三的还是李四的，所以这里我们来对一个人脸进行识别出具体归于谁。

这里也用到了深度学习的模型

opencv提供的算法

Opencv提供了三种用于识别人脸的特征提取算法。分别是 LBPH 算法、EigenFaces 算法、FisherFaces 算法。

1 LBPH(Local Binary Patterns Histogram，

局部二值模式直方图)算法使用的模型基于LBP(Local Binary Pattern，局部二值模式)算法。LBP 算法最早是被作为一种有效的纹理描述算提出的，因在表述图像局部纹理特征方面效果出众而得到广泛应

详述

1、以每个像素为中心，判断与周围像素灰度值大小关系，对其进行二进制编码，从而获得整幅图像的LBP编码图像； 2、再将LBP图像分为n个区域，获取每个区域的LBP编码直方图，继而得到整幅图像的LBP编码直方图。 通过比较不同人脸图像LBP编码直方图达到人脸识别的目的,其优点是不会受到光照、缩放、旋转和平移的影响。

看着复杂，其实内容也挺复杂的，我们先对图片进行一遍遍历，找出一个阈值，高于的设1 低于的为0，如何求出LBP值，如何根据这个写出二进制值，然后顺时针旋转。找出最小的二进制值设为这一个的特征。然后然后根据数据和标签训练出一个模型。就可=可以预测图片了。

2 EifenFaces算法

        Eigenfaces是在人脸识别的计算机视觉问题中使用的一组特征向量的名称，Eigenfaces是基于PCA（主成分分析）算法实现的。

主成分分析（PCA）是一种矩阵的压缩算法，在减少矩阵维数的同时尽可能的保留原矩阵的信息，简单来说就是将 n×m的矩阵转换成n×k的矩阵，仅保留矩阵中所存在的主要特性，从而可以大大节省空间和数据量

3 Fisherfaces

采用LDA（Linear Discriminant Analysis，线性判别分析）实现人脸识别。 其基本原理：在低维表示下，首先将训练集样本集投影到一条直线A上，让投影后的点满足： 同类间的点尽可能地靠近 异类间的点尽可能地远离

Fisherfaces采用LDA（Linear Discriminant Analysis，线性判别分析）实现人脸识别。 其基本原理：在低维表示下，首先将训练集样本集投影到一条直线A上，让投影后的点满足： 同类间的点尽可能地靠近 异类间的点尽可能地远离

代码部分

其实看上面原理那么复杂，但是到了代码部分就很简单了，只是一个借口调用的事儿。下面我只用一个方法来展示

import cv2
import numpy as np
from PIL import Image, ImageDraw, ImageFontdef cv2AddChineseText(img, text, position, textColor=(0, 255, 0), textSize=30):"""向图片中添加中文文本"""if isinstance(img, np.ndarray):  # 判断是否OpenCV图片类型img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))  # 实现array到image的转换# 创建绘图对象draw = ImageDraw.Draw(img)# 字体的格式 - 需要指定中文字体路径，例如使用系统自带的SimHei.ttf# 如果找不到中文字体，可以下载一个或使用其他中文字体try:fontStyle = ImageFont.truetype("simhei.ttf", textSize, encoding="utf-8")except:# 如果找不到指定字体，使用默认字体fontStyle = ImageFont.load_default()# 绘制文本draw.text(position, text, textColor, font=fontStyle)# 转换回OpenCV格式return cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR)def image_re(image_path, size=(120, 180)):"""读取并调整图像大小"""img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)  # 以灰度模式读取if img is None:print(f"错误: 无法读取图像 {image_path}")return Noneimg = cv2.resize(img, size)  # 调整图像大小return img# 主程序
if __name__ == "__main__":# 准备训练数据images = []# 读取并调整图像大小a = cv2.imread('img.png', 0)  # flags=0 表示以灰度模式读取a = cv2.resize(a, (120, 180))  # 调整图像大小为120x180像素b = cv2.imread('img_1.png', 0)b = cv2.resize(b, (120, 180))e = cv2.imread('img_7.png', 0)e = cv2.resize(b, (120, 180))c = cv2.imread('img_2.png', 0)c = cv2.resize(c, (120, 180))d = cv2.imread('img_3.png', 0)d = cv2.resize(d, (120, 180))f = cv2.imread('img_8.png', 0)f = cv2.resize(f, (120, 180))g = cv2.imread('img_9.png', 0)g = cv2.resize(g, (120, 180))a1 = cv2.imread('img_11.png', 0)a1 = cv2.resize(a1, (120, 180))a2 = cv2.imread('img_12.png', 0)a2 = cv2.resize(a2, (120, 180))# 将图像添加到列表中images.append(a)images.append(b)# images.append(c)# images.append(d)images.append(e)images.append(f)images.append(g)images.append(c)images.append(d)images.append(a1)images.append(a2)# 对应的标签labels = [0, 0, 0, 0, 0, 1, 1, 0, 0]  # 0代表hg，1代表pyy# 创建FisherFace人脸识别器# cv2.face.FisherFaceRecognizer_create([, num_components[, threshold]])# 作用：创建一个FisherFace的人脸特征识别器# num_components: 进行线性判别分析时保留的成分数量。可以采用默认值"0"，让函数自动设置合适的成分数量。# threshold: 进行识别时所用的阈值。如果最近的距离比设定的阈值threshold还要大，函数会返回"-1"。recognizer = cv2.face.FisherFaceRecognizer_create(threshold=5000.0)# 使用训练数据(images和labels)来训练识别器recognizer.train(images, np.array(labels))# 读取待识别图像pre_image = image_re('img_13.png')  # 读取待识别图像if pre_image is None:print("错误: 无法读取待识别图像")exit(1)# 对预测图像进行人脸识别预测# confidence: 大小介于0到20000，只要低于5000都被认为是可靠的结果。label, confidence = recognizer.predict(pre_image)# 标签到人名的映射字典dic = {0: '爱坤', 1: '良子', -1: "为检索到"}# 输出识别结果print('这人是:', dic[label])print('置信度为:', confidence)# 在图像上标注识别结果并显示result_image = cv2.imread('img_13.png')  # 读取彩色图像用于显示if result_image is not None:# 在图像上添加中文文本result_image = cv2AddChineseText(result_image, dic[label], (30, 10), textColor=(255, 0, 0))cv2.imshow('识别结果', result_image)cv2.waitKey(0)cv2.destroyAllWindows()else:print("无法显示结果图像")

这里我使用了蔡徐坤和良子进行训练，找了好几张图片结果预测的还行，也算预测出来了，第一种算法我都没有预测对

结果展示

代码概述

定义了两个函数，一个是因为cv2对中文很不友好。在puttext中不能添加中文，所以这里使用了PIL来添加。然后就是一个添加图片到数列的函数。

然后就是正常的给标签。然后进行训练。得到预测值，预测值会返回预测标签和置信度，一般小于20000就是还好可信。