基于OpenCV和Python模式识别系统的设计与实现代码大全

题目 基于OpenCV和Python模式识别系统的设计与实现

1．1 题目的主要研究内容

（1）工作的主要描述（宋体小四号不加粗1.5倍行距）

利用python中自带的opencv库中的人脸识别算法制作一个简易的模式识别系统，使用自己搜集到的数据集对模型进行训练，最终完成特征提取、分类等工作，并且在最后的推理过程中，实现了人脸识别的工作。

（2）系统流程图

导入所需模块

准备训练数据集

训练人脸识别器

推理

1．2 题目研究的工作基础或实验条件

软件环境：cv2：是用于Python的OpenCV模块，我们将用于人脸检测和人脸识别。操作系统：将使用此 Python 模块读取我们的训练目录和文件名。numpy：将使用此模块将Python列表转换为numpy数组，因为OpenCV人脸识别器接受numpy数组。

1．3 数据集描述

训练中使用的图像越多越好。通常，许多图像用于训练面部识别器，以便它可以学习同一个人的不同外观，例如戴眼镜，不戴眼镜，大笑，悲伤，快乐，哭泣，留胡子，无胡须等。为了使训练保持简单，将为每个人仅使用12张图像。因此，训练数据总共由2个人组成，每人有12张图像。所有训练数据都training-data文件夹中。training-data文件夹包含每个人的一个文件夹，每个文件夹都以sLabel格式命名（例如s1，s2），其中标签实际上是分配给该人的整数标签。例如，名为 s1 的文件夹表示此文件夹包含人员 1 的图像。训练数据的目录结构树如下所示：

training-data

|-------------- s1

| |--

| |-- ...

| |--

|-------------- s2

| |--

| |-- ...

| |--

1．4 特征提取过程描述

该系统中采用的特征提取算法是局部二值模式直方图（LBPH）算法，而原始的LBP算子定义为在3*3的窗口内以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数（通常

转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。提取的LBP算子在每个像素点都可以得到一个LBP“编码”，那么，对一幅图像（记录的是每个像素点的灰度值）提取其原始的LBP算子之后，得到的原始LBP特征依然是“一幅图片”（记录的是每个像素点的LBP值）。

对LBP特征向量进行提取的步骤：

（1）首先将检测窗口划分为16×16的小区域（cell）；

（2）对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值。

1．5 分类过程描述

该系统用到的分类器是opencv中提供训练好的级联分类器，该分类器是一种Harr级联分类器，Harr级联分类器的具体分类过程为：

1. 提取类Haar特征；

2. 利用积分图法对类Haar特征提取进行加速；

3. 使用Adaboost算法训练强分类器，区分出人脸和非人脸；

4. 使用筛选式级联把强的分类器级联在一起，从而提高检测准确度。

opencv中提供的Harr级联分类器共有20多种，它们都以xml文件的格式保存在opencv中的data文件夹下，这些级联分类器可以检测人脸，以及人脸的不同特征，或者人类和其它物体等等，本项目中保存的分类器除了Harr级联分类器还保存了LBP级联分类器，这两个分类器的分类过程本质基本相似，所以在此不对LBP级联分类器的分类过程做具体叙述。综上，我们选择对正面人脸为特征做检测的Haar和LBP级联分类器，在项目中以haarcascade_frontalface_文件和lbpcascade_frontalface_alt,xml文件存在。

1．6 主要程序代码

import cv2

#导入opencv模块

import os

#导入os模块用于读取训练数据目录和路径

import numpy as np

#导入numpy将ython列表转换为numpy数组

subjects = ["", "Ramiz Raja", "Elvis Presley"]

#定义需要分类目标的名字

def detect_face(img):

#定义使用opencv用来检测脸部的函数

gray = or(img, _BGR2GRAY)

#将测试图像转换为灰度图像

face_cascade = eClassifier('opencv-files/lbpcascade_')

#加载opencv人脸检测器

faces = face_MultiScale(gray, scaleFactor=1.2, minNeighbors=5);

#结果是一张脸的列表

if (len(faces) == 0):

#如果未检测到面部，则返回原始图像

return None, None

(x, y, w, h) = faces[0]

#只有一张脸，提取面部区域

return gray[y:y+w, x:x+h], faces[0]

#只返回图像正面部分

def prepare_training_data(data_folder_path):

#该函数用于读取所有人的训练图像，从每个图像检测人脸，并将返回两个完全相同大小的列表，参数为目录的路径

dirs = r(data_folder_path)

faces = []

#列表来保存所有主题的面孔

labels = []

#列表来保存所有主题的标签

for dir_name in dirs:

if not dir_with("s"):

continue;

label = int(dir_e("s", ""))

subject_dir_path = data_folder_path + "/" + dir_name

subject_images_names = r(subject_dir_path)

for image_name in subject_images_names:

#检测脸部并将脸部添加到脸部列表

if image_with("."):

#忽略.DS_Store之类的系统文件

continue;

image_path = subject_dir_path + "/" + image_name

#建立图像路径

image = (image_path)

#阅读图像

("Training ", (image, (400, 500)))

y(100) #显示图像窗口以显示图像

face, rect = detect_face(image)

#侦测脸部

if face is not None:

#忽略未检测到的脸部

(face)

#将这张脸添加到脸部列表

(label)

#为这张脸添加标签

yAllWindows()

y(1)

yAllWindows()

return faces, labels

#准备好训练数据，数据将在两个大小相同的列表中，一个列表包含所有的面孔：

print("")

faces, labels = prepare_training_data("training-data")

print("Data prepared")

#打印总面和标签：

print("Total faces: ", len(faces))

print("Total labels: ", len(labels))

#训练人脸识别器，使用LBPH人脸识别器

face_recognizer = ceRecognizer_create()

#创建LBPH人脸识别器

face_(faces, (labels))

#训练人脸识别器

#此函数用于在图像上绘制矩形，根据给定的（x，y）坐标和给定的宽度和高度来绘制：

def draw_rectangle(img, rect):

(x, y, w, h) = rect

gle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

#函数在此图像开始绘制文本，通过（x，y）坐标

def draw_text(img, text, x, y):

t(img, text, (x, y), _HERSHEY_PLAIN, 1.5, (0, 255, 0), 2)

def predict(test_img):

img = test_()

#制作图像的副本，不更改原始图像

face, rect = detect_face(img)

#从图像中检测到脸部

label, confidence = face_t(face)

#使用脸部识别器预测图像

label_text = subjects[label]

#获取由人脸识别器返回的相应标签名称

draw_rectangle(img, rect)

#在检测到的脸部周围画一个矩形

draw_text(img, label_text, rect[0], rect[1]-5)

#画预计人的名字

return img

print("")

#输入测试图像：

test_img1 = ("test-data/")

test_img2 = ("test-data/")

#输入推理图像：

predicted_img1 = predict(test_img1)

predicted_img2 = predict(test_img2)

#代码结束时输出“Prediction complete”：

print("Prediction complete")

#显示两个图像：

(subjects[1], (predicted_img1, (400, 500)))

(subjects[2], (predicted_img2, (400, 500)))

y(0)

yAllWindows()

y(1)

yAllWindows()

1．7 运行结果及分析

可以清晰地看到两个推理图片的结果满足我们的预期效果，在他们的脸部周围绘制出了预测框，并且分好了类别。