系统准备

Python3.7、电脑安装OpenCV（需要用到软件自带的人脸检测库）

步骤：

一、准备训练数据：

新建目录\face\，face目录下新建一系列以0开头的数字目录，要训练多少个人就建多少个数字目录，数字目录里面放每个人的头像图片，最好不同角度不同表情都有，准确率与训练图片的量正相关。我这里准备了四个人的图片。

python训练图形 python如何训练图片_人脸检测

二、批量处理训练图片，生成标准化的人脸与标签对，代码如下：

# 本函数将读取所有的训练图像，从每个图像检测人脸并将返回两个相同大小的列表，分别为脸部信息和标签
def prepare_training_data(data_folder_path):
    # 获取数据文件夹中的目录（0-3每个人一个目录，共四个人）
    dirs = os.listdir(data_folder_path)  #dirs=[0,1,2,3]
    # 两个列表分别保存所有的脸部和标签
    faces = []
    labels = []
    # 浏览每个目录并访问其中的图像
    for dir_name in dirs:
        # dir_name(str类型)即标签
        label = int(dir_name)
        # 建立包含当前主题主题图像的目录路径
        subject_dir_path = data_folder_path + "/" + dir_name
        # 获取给定主题目录内的图像名称
        subject_images_names = os.listdir(subject_dir_path)
        # 浏览每张图片并检测脸部，然后将脸部信息添加到脸部列表faces[]
        for image_name in subject_images_names:
            # 建立图像路径
            image_path = subject_dir_path + "/" + image_name
            # 读取图像
            image = cv2.imread(image_path)
            # 检测脸部,detect_face()返回检测到的第一张脸，所以训练图片只能包含一张被识别人的脸
            face, rect = detect_face(image)
            # 忽略未检测到的脸部
            if face is not None:
                #将脸添加到脸部列表并添加相应的标签
                faces.append(face)
                labels.append(label)
    #最终返回值为人脸和标签列表
    return faces, labels

三、调用OpenCV的训练器训练：

#创建LBPH识别器并开始训练，当然也可以选择Eigen或者Fisher识别器
face_recognizer = cv2.face.LBPHFaceRecognizer_create()
face_recognizer.train(faces, np.array(labels))

四、利用训练结果识别图片：

# 此函数识别传递的图像中的人物并在检测到的脸部周围绘制一个矩形及其名称
def predict(test_img):
    #生成图像的副本，这样就能保留原始图像
    img = test_img.copy()
    #检测人脸
    faces, rects = detect_all_face(img)  #detect_all_face(img) 返回图片上所有的人脸
    #预测人脸
    for i in range(len(faces)):
        face = faces[i]
        rect = rects[i]
        label = face_recognizer.predict(face)
        # 获取由人脸识别器返回的相应标签的名称
        label_text = subjects[label[0]]
        # 在检测到的脸部周围画一个矩形
        draw_rectangle(img, rect)
        # 标出预测的名字
        draw_text(img, label_text, rect[0], rect[1] - 5)
    #返回预测的图像
    return img
#加载测试图像，4张
test_img1 = cv2.imread("D:/training/photo/face/0/hao2.png")
test_img2 = cv2.imread("D:/training/photo/face_test/test0.png")
test_img3 = cv2.imread("D:/training/photo/face_test/test1.png")
test_img4 = cv2.imread("D:/training/photo/face_test/test2.png")
#执行预测
predicted_img1 = predict(test_img1)
predicted_img2 = predict(test_img2)
predicted_img3 = predict(test_img3)
predicted_img4 = predict(test_img4)
#显示所有图像的检测结果
cv2.imshow('0', predicted_img1)
cv2.imshow('1', predicted_img2)
cv2.imshow('2', predicted_img3)
cv2.imshow('3', predicted_img4)
cv2.waitKey(0)
cv2.destroyAllWindows()

全部代码如下：

import os
import numpy as np
import cv2

# 检测人脸返回检查到的第一个人脸
def detect_face(img):
    #将测试图像转换为灰度图像，因为opencv人脸检测器需要灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    #加载OpenCV人脸检测分类器Haar，这里检测器文件路径为笔者自己电脑的位置，必须改为实际的路径
    face_cascade = cv2.CascadeClassifier('D:/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')
    #检测多尺度图像，返回值是一张脸部区域信息的列表（x,y,宽,高）
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5, minSize=(30, 30))
    # 如果未检测到面部，则返回原始图像
    if (len(faces) == 0):
        return None, None
    #目前假设只有一张脸，xy为左上角坐标，wh为矩形的宽高
    (x, y, w, h) = faces[0]
    #返回图像的正面部分
    return gray[y:y + w, x:x + h], faces[0]

# 检测人脸返回检查到的所有人脸
def detect_all_face(img):
    #将测试图像转换为灰度图像，因为opencv人脸检测器需要灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    #加载OpenCV人脸检测分类器Haar，这里检测器文件路径为笔者自己电脑的位置，必须改为实际的路径
    face_cascade = cv2.CascadeClassifier('D:/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml')
    #检测多尺度图像，返回值是一张脸部区域信息的列表（x,y,宽,高）
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5, minSize=(30, 30))
    # 如果未检测到面部，则返回原始图像
    if (len(faces) == 0):
        return None, None
    #目前假设只有一张脸，xy为左上角坐标，wh为矩形的宽高
    grays = []
    for i in range(len(faces)):
        (x, y, w, h) = faces[i]
        grays.append(gray[y:y + w, x:x + h])
        
    #返回图像的正面部分
    return grays, faces

# 该函数将读取所有的训练图像，从每个图像检测人脸并将返回两个相同大小的列表，分别为脸部信息和标签
def prepare_training_data(data_folder_path):
    # 获取数据文件夹中的目录（每个主题的一个目录）
    dirs = os.listdir(data_folder_path)
    # 两个列表分别保存所有的脸部和标签
    faces = []
    labels = []
    # 浏览每个目录并访问其中的图像
    for dir_name in dirs:
        # dir_name(str类型)即标签
        label = int(dir_name)
        # 建立包含当前主题主题图像的目录路径
        subject_dir_path = data_folder_path + "/" + dir_name
        # 获取给定主题目录内的图像名称
        subject_images_names = os.listdir(subject_dir_path)
        # 浏览每张图片并检测脸部，然后将脸部信息添加到脸部列表faces[]
        for image_name in subject_images_names:
            # 建立图像路径
            image_path = subject_dir_path + "/" + image_name
            # 读取图像
            image = cv2.imread(image_path)
            # 检测脸部
            face, rect = detect_face(image)
            # 我们忽略未检测到的脸部
            if face is not None:
                #将脸添加到脸部列表并添加相应的标签
                faces.append(face)
                labels.append(label)

    #最终返回值为人脸和标签列表
    return faces, labels

#调用prepare_training_data（）函数
faces, labels = prepare_training_data("D:/training/photo/face")

#创建LBPH识别器并开始训练，当然也可以选择Eigen或者Fisher识别器
face_recognizer = cv2.face.LBPHFaceRecognizer_create()
face_recognizer.train(faces, np.array(labels))

#根据给定的（x，y）坐标和宽度高度在图像上绘制矩形
def draw_rectangle(img, rect):
    (x, y, w, h) = rect
    cv2.rectangle(img, (x, y), (x + w, y + h), (128, 128, 0), 2)
    # 根据给定的（x，y）坐标标识出人名
def draw_text(img, text, x, y):
    cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (128, 128, 0), 2)

#建立标签与人名的映射列表（标签只能为整数）
subjects = ["haha", "mm","hehe","xixi"]

# 此函数识别传递的图像中的人物并在检测到的脸部周围绘制一个矩形及其名称
def predict(test_img):
    #生成图像的副本，这样就能保留原始图像
    img = test_img.copy()
    #检测人脸
    faces, rects = detect_all_face(img)
    #预测人脸
    for i in range(len(faces)):
        face = faces[i]
        rect = rects[i]
        label = face_recognizer.predict(face)
        # 获取由人脸识别器返回的相应标签的名称
        label_text = subjects[label[0]]
        # 在检测到的脸部周围画一个矩形
        draw_rectangle(img, rect)
        # 标出预测的名字
        draw_text(img, label_text, rect[0], rect[1] - 5)
    #返回预测的图像
    return img
#加载测试图像，4张
test_img1 = cv2.imread("D:/training/photo/face/0/hao2.png")
test_img2 = cv2.imread("D:/training/photo/face_test/test0.png")
test_img3 = cv2.imread("D:/training/photo/face_test/test1.png")
test_img4 = cv2.imread("D:/training/photo/face_test/test2.png")
#执行预测
predicted_img1 = predict(test_img1)
predicted_img2 = predict(test_img2)
predicted_img3 = predict(test_img3)
predicted_img4 = predict(test_img4)
#显示所有图像的检测结果
cv2.imshow('0', predicted_img1)
cv2.imshow('1', predicted_img2)
cv2.imshow('2', predicted_img3)
cv2.imshow('3', predicted_img4)
cv2.waitKey(0)
cv2.destroyAllWindows()