1.录入人脸，输入ID号
haarcascade_frontalface_default.xml
# 导入模块
import os
import numpy as np
import cv2 as cv
import cv2
face_detector = cv2.CascadeClassifier(r'D:\Automation_All_Files\OCR\haarcascade_frontalface_default.xml') # 待更改
# 为即将录入的脸标记一个id
face_id = input(r'Userdatainput, Look at the camera and wait …')
# sampleNum用来计数样本数目
count = 0
while True:
#从摄像头读取图片
cap = cv2.VideoCapture(0)
success,img = cap.read()
print(f'success is:{success}')
print(f'img is :{img}')
#转为灰度图片，减少程序符合，提高识别度
if success is True:
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
else:
break
#检测人脸，将每一帧摄像头记录的数据带入OpenCv中，让Classifier判断人脸
#其中gray为要检测的灰度图像，1.3为每次图像尺寸减小的比例，5为minNeighbors
faces = face_detector.detectMultiScale(gray, 1.3, 5)
#框选人脸，for循环保证一个能检测的实时动态视频流
for (x, y, w, h) in faces:
#xy为左上角的坐标,w为宽，h为高，用rectangle为人脸标记画框
cv2.rectangle(img, (x, y), (x+w, y+w), (255, 0, 0))
#成功框选则样本数增加
count += 1
#保存图像，把灰度图片看成二维数组来检测人脸区域qw
#(这里是建立了data的文件夹，当然也可以设置为其他路径或者调用数据库)
cv2.imwrite("data/User."+str(face_id)+'.'+str(count)+'.jpg',gray[y:y+h,x:x+w])
#显示图片
cv2.imshow('image',img)
#保持画面的连续。waitkey方法可以绑定按键保证画面的收放，通过q键退出摄像
k = cv2.waitKey(1)
if k == '27':
break
#或者得到800个样本后退出摄像，这里可以根据实际情况修改数据量，实际测试后800张的效果是比较理想的
elif count >= 10:
break
2.训练：
#encoding=utf-8
import os
import cv2
import numpy as np
from PIL import Image
# 导入pillow库，用于处理图像
# 设置之前收集好的数据文件路径
path = r'D:\Automation_All_Files\OCR\data'
# 初始化识别的方法
recog = cv2.face.LBPHFaceRecognizer_create()
# 调用熟悉的人脸分类器
detector = cv2.CascadeClassifier(r'D:\Automation_All_Files\OCR\haarcascade_frontalface_default.xml')
# 创建一个函数，用于从数据集文件夹中获取训练图片,并获取id
# 注意图片的命名格式为User.id.sampleNum
def get_images_and_labels(path):
image_paths = [os.path.join(path,f) for f in os.listdir(path)]
print(image_paths)
#新建连个list用于存放
face_samples = []
ids = []
#遍历图片路径，导入图片和id添加到list中
for image_path in image_paths:
#通过图片路径将其转换为灰度图片
img = Image.open(image_path).convert('L')
#将图片转化为数组
img_np = np.array(img,'uint8')
print(f'os.path.split(image_path)[-1] is:{os.path.split(image_path)[-1]}')
if os.path.split(image_path)[-1].split(".")[-1] != 'jpg':
continue
#为了获取id，将图片和路径分裂并获取
id = int(os.path.split(image_path)[-1].split(".")[1])
faces = detector.detectMultiScale(img_np)
#将获取的图片和id添加到list中
for(x,y,w,h) in faces:
face_samples.append(img_np[y:y+h,x:x+w])
ids.append(id)
print( face_samples,ids)
return face_samples,ids
# 调用函数并将数据喂给识别器训练
print(r'Training…')
faces, ids = get_images_and_labels(path)
# 训练模型
recog.train(faces, np.array(ids))
# 保存模型
recog.save(r'trainner.yml')
3.根据曾经录入的人脸和训练模型，确定当前的camera前的是谁。
# -----检测、校验并输出结果-----
import cv2
# 准备好识别方法
recognizer = cv2.face.LBPHFaceRecognizer_create()
# 使用之前训练好的模型
recognizer.read(r'trainner.yml')
# 再次调用人脸分类器
cascade_path = r'D:\Automation_All_Files\OCR\haarcascade_frontalface_default.xml'
face_cascade = cv2.CascadeClassifier(cascade_path)
# 加载一个字体，用于识别后，在图片上标注出对象的名字
font = cv2.FONT_HERSHEY_SIMPLEX
idnum = 0
# 设置好与ID号码对应的用户名，如下，如0对应的就是初始
names = ['original', 'girl', 'minglan', 'me', 'rulan']
# 调用摄像头
cam = cv2.VideoCapture(0)
minW = 0.1 * cam.get(3)
minH = 0.1 * cam.get(4)
while True:
ret, img = cam.read()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 识别人脸
faces = face_cascade.detectMultiScale(
gray,
scaleFactor=1.2,
minNeighbors=5,
minSize=(int(minW), int(minH))
)
# 进行校验
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
idnum, confidence = recognizer.predict(gray[y:y + h, x:x + w])
# 计算出一个检验结果
if confidence < 100:
idum = names[idnum]
confidence = "{0}%", format(round(100 - confidence))
else:
idum = "unknown"
confidence = "{0}%", format(round(100 - confidence))
# 输出检验结果以及用户名
cv2.putText(img, str(idum), (x + 5, y - 5), font, 1, (0, 0, 255), 1)
cv2.putText(img, str(confidence), (x + 5, y + h - 5), font, 1, (0, 0, 0), 1)
# 展示结果
cv2.imshow('camera', img)
k = cv2.waitKey(20)
if k == 27:
break
完成后运行将在左上角显示人名（输入的ID号和）
参考：Python的人脸识别设计史上最全的教程，手把手教（附源代码）_人脸识别代码-CSDN博客
