（最新）基于python（tensorflow）（OpenCV）卷积神经网络人脸识别
对于深度学习有了一些了解，想着自己做一些项目，对个人脸识别就特别感兴趣，话不多说，首先我是在Anaconda里面给python配置虚拟环境，这里面配置的环境，基本就是当下最新的版本。
创建的虚拟环境我使用的是python版本是3.9.5，Keras2.4.3 pollow8.2.0 scikit-learn0.24.2
tensorflow2.5.0 opencv-python ==4.5.2.52 opencv安装是3.4.14这些事主要版本。
下面这样图片读者可以进行作为参考。
absl-py 0.12.0
astunparse 1.6.3
cachetools 4.2.2
certifi 2020.12.5
chardet 4.0.0
flatbuffers 1.12
gast 0.4.0
google-auth 1.30.1
google-auth-oauthlib 0.4.4
google-pasta 0.2.0
grpcio 1.34.1
h5py 3.1.0
idna 2.10
joblib 1.0.1
Keras 2.4.3
keras-nightly 2.5.0.dev2021032900
Keras-Preprocessing 1.1.2
Markdown 3.3.4
numpy 1.19.5
oauthlib 3.1.0
opencv-python 4.5.2.52
opt-einsum 3.3.0
Pillow 8.2.0
pip 21.1.1
protobuf 3.17.1
pyasn1 0.4.8
pyasn1-modules 0.2.8
PyYAML 5.4.1
requests 2.25.1
requests-oauthlib 1.3.0
rsa 4.7.2
scikit-learn 0.24.2
scipy 1.6.3
setuptools 52.0.0.post20210125
six 1.15.0
sklearn 0.0
style 1.1.0
tensorboard 2.5.0
tensorboard-data-server 0.6.1
tensorboard-plugin-wit 1.8.0
tensorflow 2.5.0
tensorflow-estimator 2.5.0
termcolor 1.1.0
threadpoolctl 2.1.0
typing-extensions 3.7.4.3
update 0.0.1
urllib3 1.26.5
Werkzeug 2.0.1
wheel 0.36.2
wincertstore 0.2
wrapt 1.12.1
开始进行的是人脸的获取，主要是通过OpenCV，获取人脸数据，需要一个摄像头，把识别出来的图片保存下来，
import cv2
import sys
from PIL import Image
def CatchPICFromVideo(window_name, camera_idx, catch_pic_num, path_name):
cv2.namedWindow(window_name)
# 视频来源，可以来自一段已存好的视频，也可以直接来自USB摄像头
cap = cv2.VideoCapture(camera_idx)
# 告诉OpenCV使用人脸识别分类器
classfier = cv2.CascadeClassifier("D:\\OpenCV3.4\\opencv\\build\etc\\haarcascades\\haarcascade_frontalface_alt2.xml")
# 识别出人脸后要画的边框的颜色，RGB格式
color = (0, 255, 0)
num = 0
while cap.isOpened():
ok, frame = cap.read() # 读取一帧数据
if not ok:
break
grey = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 将当前桢图像转换成灰度图像
# 人脸检测，1.2和2分别为图片缩放比例和需要检测的有效点数
faceRects = classfier.detectMultiScale(grey, scaleFactor = 1.2, minNeighbors = 3, minSize = (32, 32))
if len(faceRects) > 0: # 大于0则检测到人脸
for faceRect in faceRects: # 单独框出每一张人脸
x, y, w, h = faceRect
# 将当前帧保存为图片
img_name = '%s/%d.jpg ' %(path_name, num)
image = frame[y - 10: y + h + 10, x - 10: x + w + 10]
cv2.imwrite(img_name, image)
num += 1
if num > (catch_pic_num): # 如果超过指定最大保存数量退出循环
break
# 画出矩形框
cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 2)
# 显示当前捕捉到了多少人脸图片了，这样站在那里被拍摄时心里有个数，不用两眼一抹黑傻等着
font = cv2.FONT_HERSHEY_SIMPLEX
cv2.putText(frame ,'num:%d' % (num) ,(x + 30, y + 30), font, 1, (255 ,0 ,255) ,4)
# 超过指定最大保存数量结束程序
if num > (catch_pic_num): break
# 显示图像
cv2.imshow(window_name, frame)
c = cv2.waitKey(10)
if c & 0xFF == ord('q'):
break
# 释放摄像头并销毁所有窗口
cap.release()
cv2.destroyAllWindows()
if __name__ == '__main__':
if len(sys.argv) != 1:
print("Usage:%s camera_id face_num_max path_name\r\n" % (sys.argv[0]))
else:
CatchPICFromVideo("截取人脸", 0, 100, 'D:\\data\\hws')
上面代码块中的cv2.CascadeClassifier(“D:\OpenCV3.4\opencv\build\etc\haarcascades\haarcascade_frontalface_alt2.xml”)这个是OpenCV的配置文件，
人脸检测器（默认）：haarcascade_frontalface_default.xml
人脸检测器（快速Harr）：haarcascade_frontalface_alt2.xml
人脸检测器（侧视）：haarcascade_profileface.xml
眼部检测器（左眼）：haarcascade_lefteye_2splits.xml
眼部检测器（右眼）：haarcascade_righteye_2splits.xml
嘴部检测器：haarcascade_mcs_mouth.xml
鼻子检测器：haarcascade_mcs_nose.xml
身体检测器：haarcascade_fullbody.xml
人脸检测器（快速LBP）：lbpcascade_frontalface.xml
其中我运用的是人脸检测器（快速Harr）：haarcascade_frontalface_alt2.xml 。
然后将存下来将采集到的数据，resize成指定大小的数据，并遍历数据里面的照片，存储到张量里面。
import os
import sys
import numpy as np
import cv2
IMAGE_SIZE = 64
按照指定图像大小调整尺寸
def resize_image(image, height=IMAGE_SIZE, width=IMAGE_SIZE):
top, bottom, left, right = (0, 0, 0, 0)
# 获取图像尺寸
h, w, _ = image.shape
# 对于长宽不相等的图片，找到最长的一边
longest_edge = max(h, w)
# 计算短边需要增加多上像素宽度使其与长边等长
if h < longest_edge:
dh = longest_edge - h
top = dh
bottom = dh - top
elif w < longest_edge:
dw = longest_edge - w
left = dw
right = dw - left
else:
pass
# RGB颜色
BLACK = [0, 0, 0]
# 给图像增加边界，是图片长、宽等长，cv2.BORDER_CONSTANT指定边界颜色由value指定
constant = cv2.copyMakeBorder(image, top, bottom, left, right, cv2.BORDER_CONSTANT, value=BLACK)
# 调整图像大小并返回
return cv2.resize(constant, (height, width))
读取训练数据
images = []
labels = []
def read_path(path_name):
for dir_item in os.listdir(path_name):
# 从初始路径开始叠加，合并成可识别的操作路径
# 在这里做了处理，方便移植，参数可以使用相对路径
full_path = os.path.abspath(os.path.join(path_name, dir_item))
print(full_path)
if os.path.isdir(full_path): # 如果是文件夹，继续递归调用
read_path(full_path)
else: # 文件
if dir_item.endswith('.jpg'):
image = cv2.imread(full_path) # 以多维数组的形式保存图片，返回(高度，宽度，通道数)
print(image.shape)
image = resize_image(image, IMAGE_SIZE, IMAGE_SIZE) # 重组图片
#print(image+'-----')
# 放开这个代码，可以看到resize_image()函数的实际调用效果
# cv2.imwrite('1.jpg', image)
images.append(image)
print(images)
labels.append(path_name)
print(labels) # 这里保存的路劲没有jpg文件名，只有文件夹路径
return images, labels
从指定路径读取训练数据
def load_dataset(path_name):
images, labels = read_path(path_name)
# 将输入的所有图片转成四维数组，尺寸为(图片数量*IMAGE_SIZE*IMAGE_SIZE*3)
# hws目录经过筛选之后又1973照片，IMAGE_SIZE为64，故对我来说尺寸为1973 * 64 * 64 * 3
# 图片为64 * 64像素,一个像素3个颜色值(RGB)
images = np.array(images)
print(images.shape)
# 标注数据，'hws'文件夹下都是我的脸部图像，全部指定为0，其他文件夹下是非本人的照片的，全部指定为1
labels = np.array([0 if label.endswith('hws') else 1 for label in labels])
return images, labels
if __name__ == '__main__':
if len(sys.argv) != 1:
print("Usage:%s path_name\r\n" % (sys.argv[0]))
else:
#images, labels = load_dataset("D:\data\hws")
images, labels = load_dataset("D:\data")
#images, labels = load_dataset("D:\data\sym")
接下来就是模型训练的代码
import random
import logging
import numpy as np
#from sklearn.cross_validation import train_test_split # 导入图像交叉验证模块，模块改名为下面的模块
from sklearn.model_selection import train_test_split # 导入图像交叉验证模块
from tensorflow import keras
from tensorflow.python.keras.preprocessing.image import ImageDataGenerator # 导入图像预处理模块中导入图像生成器
#from Keras.models import Sequential # 两种模型，导入顺序模型 报错，引用了文章https:
#from Keras.layers import Dense, Dropout, Activation, Flatten # https:
#from Keras.layers import Dense, Dropout, Activation, Flatten
from tensorflow import keras #
#from tensorflow.keras import Sequential #TypeError: The added layer must be an instance of class Layer. Found: <keras.layers.convolutional.Conv2D object at 0x0000025C68ECCEF0>
from tensorflow.python.keras.models import Sequential # 解决上面的问题 改了源码 草稿修改
from tensorflow.python.keras.layers.core import Dense, Dropout, Activation, Flatten
from tensorflow.python.keras.layers import Convolution2D, MaxPooling2D # 卷积 & 池化
from tensorflow.keras.optimizers import SGD # SGD随机梯度下降法-优化器
from tensorflow.python.keras.utils import np_utils # 计算工具包
from tensorflow.python.keras.models import load_model # 载入权重模块 json或者HDF5
from tensorflow.python.keras import backend as k # 后端，用来抽象 tensorflow或者Theano，使工程可以在两个框架上跑
from setdata import load_dataset, resize_image, IMAGE_SIZE
第一步，创建一个logger
logger = logging.getLogger()
logger.setLevel(logging.INFO) # Log等级总开关 此时是INFO
logger.info('this is logger info message')
第二步，创建一个handler，用于写入日志文件
logfile = './log.txt'
fh = logging.FileHandler(logfile, mode='a') # open的打开模式这里可以进行参考
fh.setLevel(logging.DEBUG) # 输出到file的log等级的开关
第三步，再创建一个handler，用于输出到控制台
ch = logging.StreamHandler()
ch.setLevel(logging.WARNING) # 输出到console的log等级的开关
第四步，定义handler的输出格式（时间，文件，行数，错误级别，错误提示）
formatter = logging.Formatter("%(asctime)s - %(filename)s[line:%(lineno)d] - %(levelname)s: %(message)s")
fh.setFormatter(formatter)
ch.setFormatter(formatter)
第五步，将logger添加到handler里面
logger.addHandler(fh)
logger.addHandler(ch)
class Dataset:
def __init__(self, path_name): # 谁调用，表示谁--self
# 训练集
self.train_images = None
self.train_labels = None
# 验证集
self.valid_images = None
self.valid_labels = None
# 测试集
self.test_images = None
self.test_labels = None
# 数据集加载路径
self.path_name = path_name
# 当前库采用的维度顺序
self.input_shape = None
# 加载数据集并按照交叉验证的原则划分数据集并进行相关预处理工作
def load(self, img_rows=IMAGE_SIZE, img_cols=IMAGE_SIZE,
img_channels=3, nb_classes=2):
# 加载数据集到内存
images, labels = load_dataset(self.path_name)
print(images)
print(images.shape)
print(labels)
print(labels.shape)
# print('-----' + images + '-----')
# print('-----' + images.shape + '-----')
# print('-----' + labels + '-----')
# print('-----' + labels.shape + '-----')
# 将数据进行分类
train_images, valid_images, train_labels, valid_labels = train_test_split(images, labels, test_size=0.3,
random_state=random.randint(0, 100))
_, test_images, _, test_labels = train_test_split(images, labels, test_size=0.5,
random_state=random.randint(0, 100))
# 当前的维度顺序如果为'th'，则输入图片数据时的顺序为：channels,rows,cols，,对应channels_first，
# 否则'tf':rows,cols,channels，对应channels_last
# 这部分代码就是根据keras库要求的维度顺序重组训练数据集
if k.image_data_format() == 'channels_first': # 三位图像显示问题---'th'代表theano，样本数，通道数，宽，高
train_images = train_images.reshape(train_images.shape[0], img_channels, img_rows, img_cols)
valid_images = valid_images.reshape(valid_images.shape[0], img_channels, img_rows, img_cols)
test_images = test_images.reshape(test_images.shape[0], img_channels, img_rows, img_cols)
self.input_shape = (img_channels, img_rows, img_cols)
else: # # 三位图像显示问题---'tf表tensorflow，样本数，宽，高，通道数
train_images = train_images.reshape(train_images.shape[0], img_rows, img_cols, img_channels)
valid_images = valid_images.reshape(valid_images.shape[0], img_rows, img_cols, img_channels)
test_images = test_images.reshape(test_images.shape[0], img_rows, img_cols, img_channels)
self.input_shape = (img_rows, img_cols, img_channels)
### 'tf' [[[[255,255,255],[255,255,255]...],[[[255,255,255],...[255,255,255]]] shape(1973,64,64,3)
# 输出训练集、验证集、测试集的数量
print(train_images.shape[0], 'train samples') # 训练样本数
print(valid_images.shape[0], 'valid samples') # 验证样本数
print(test_images.shape[0], 'test samples') # 测试样本数
# 我们的模型使用categorical_crossentropy作为损失函数，因此需要根据类别数量nb_classes将
# 类别标签进行one-hot编码使其向量化，在这里我们的类别只有两种，经过转化后标签数据变为二维
train_labels = np_utils.to_categorical(train_labels, nb_classes)
valid_labels = np_utils.to_categorical(valid_labels, nb_classes)
test_labels = np_utils.to_categorical(test_labels, nb_classes)
# 像素数据浮点化以便归一化
# 生成热编码数组，之前lables已经转换成0或者1了，-----目前还没有采集别人的照片-----
train_images = train_images.astype('float32')
valid_images = valid_images.astype('float32')
test_images = test_images.astype('float32')
# 将其归一化,图像的各像素值归一化到0~1区间 ----- 归一化 -----
train_images /= 255
valid_images /= 255
test_images /= 255
self.train_images = train_images
self.valid_images = valid_images
self.test_images = test_images
self.train_labels = train_labels
self.valid_labels = valid_labels
self.test_labels = test_labels
print(test_labels)
CNN网络模型类
class Model:
def __init__(self):
self.model = None
# 建立模型
def build_model(self, dataset, nb_classes=2): # 数据输入是一个 1977/3/64/64，种类2个
# 构建一个空的网络模型，它是一个线性堆叠模型，各神经网络层会被顺序添加，专业名称为序贯模型或线性堆叠模型
self.model = Sequential()
# 以下代码将顺序添加CNN网络需要的各层，一个add就是一个网络层
#self.model.add(Convolution2D(32, 3, 3, border_mode='same',
#input_shape=dataset.input_shape)) # 1 2维卷积层
self.model.add(Convolution2D(32, 3, padding='same', input_shape=dataset.input_shape)) # 1 2维卷积层
self.model.add(Activation('relu')) # 2 激活函数层
self.model.add(Convolution2D(32, 3)) # 3 2维卷积层
self.model.add(Activation('relu')) # 4 激活函数层
self.model.add(MaxPooling2D(pool_size=(2, 2))) # 5 池化层
self.model.add(Dropout(0.25)) # 6 Dropout层
#self.model.add(Convolution2D(64, 3, 3, border_mode='same')) # 7 2维卷积层
self.model.add(Convolution2D(64, 3, padding='same')) # 7 2维卷积层
self.model.add(Activation('relu')) # 8 激活函数层
self.model.add(Convolution2D(64, 3)) # 9 2维卷积层
self.model.add(Activation('relu')) # 10 激活函数层
self.model.add(MaxPooling2D(pool_size=(2, 2))) # 11 池化层
self.model.add(Dropout(0.25)) # 12 Dropout层
self.model.add(Flatten()) # 13 Flatten层 扁平化，将多维数据降维为1维
self.model.add(Dense(512)) # 14 Dense层,又被称作全连接层
self.model.add(Activation('relu')) # 15 激活函数层
self.model.add(Dropout(0.5)) # 16 Dropout层
self.model.add(Dense(nb_classes)) # 17 Dense层
self.model.add(Activation('softmax')) # 18 分类层，输出最终结果
# 输出模型概况
self.model.summary()
# 训练模型
def train(self, dataset, batch_size=20,epochs=10, data_augmentation=True): # batch_size 一次训练所选取的样本数
sgd = SGD(lr=0.01, decay=1e-6, # nb_epoch 迭代次数
momentum=0.9, nesterov=True) # 采用SGD+momentum的优化器进行训练，首先生成一个优化器对象
self.model.compile(loss='categorical_crossentropy',
optimizer=sgd,
metrics=['accuracy']) # 完成实际的模型配置工作
# 不使用数据提升，所谓的提升就是从我们提供的训练数据中利用旋转、翻转、加噪声等方法创造新的
# 训练数据，有意识的提升训练数据规模，增加模型训练量
if not data_augmentation:
self.model.fit(dataset.train_images,
dataset.train_labels,
batch_size=batch_size,
epochs=epochs,
validation_data=(dataset.valid_images, dataset.valid_labels),
shuffle=True)
# 使用实时数据提升
else:
# 定义数据生成器用于数据提升，其返回一个生成器对象datagen，datagen每被调用一
# 次其生成一组数据（顺序生成），节省内存，其实就是python的数据生成器
datagen = ImageDataGenerator(
featurewise_center=False, # 是否使输入数据去中心化（均值为0），
samplewise_center=False, # 是否使输入数据的每个样本均值为0
featurewise_std_normalization=False, # 是否数据标准化（输入数据除以数据集的标准差）
samplewise_std_normalization=False, # 是否将每个样本数据除以自身的标准差
zca_whitening=False, # 是否对输入数据施以ZCA白化
rotation_range=20, # 数据提升时图片随机转动的角度(范围为0～180)
width_shift_range=0.2, # 数据提升时图片水平偏移的幅度（单位为图片宽度的占比，0~1之间的浮点数）
height_shift_range=0.2, # 同上，只不过这里是垂直
horizontal_flip=True, # 是否进行随机水平翻转
vertical_flip=False) # 是否进行随机垂直翻转
# 计算整个训练样本集的数量以用于特征值归一化、ZCA白化等处理
datagen.fit(dataset.train_images)
# 利用生成器开始训练模型
self.model.fit_generator(datagen.flow(dataset.train_images, dataset.train_labels,
batch_size=batch_size),
steps_per_epoch=dataset.train_images.shape[0],
epochs=epochs,
validation_data=(dataset.valid_images, dataset.valid_labels))
#MODEL_PATH = './hws&sym-sample.face.model.h5' # 模型路径
MODEL_PATH = './hws&sym.face.model.h5' # 模型路径
def save_model(self, file_path=MODEL_PATH): # 保存方法
self.model.save(file_path)
def load_model(self, file_path=MODEL_PATH): # 加载方法
self.model = load_model(file_path)
def evaluate(self, dataset): # 评估方法
score = self.model.evaluate(dataset.test_images, dataset.test_labels, verbose=1)
print("%s: %.2f%%" % (self.model.metrics_names[1], score[1] * 100))
# 识别人脸
def face_predict(self, image):
# Keras版本差异 以前的K.image_dim_ordering() == 'th' 现在的image_data_format() == "channels_first"
# 依然是根据后端系统确定维度顺序
if k.image_data_format() == 'channels_first' and image.shape != (1, 3, IMAGE_SIZE, IMAGE_SIZE):
image = resize_image(image) # 尺寸必须与训练集一致都应该是IMAGE_SIZE x IMAGE_SIZE
image = image.reshape((1, 3, IMAGE_SIZE, IMAGE_SIZE)) # 与模型训练不同，这次只是针对1张图片进行预测
elif k.image_data_format() == 'channels_last' and image.shape != (1, IMAGE_SIZE, IMAGE_SIZE, 3):
image = resize_image(image)
image = image.reshape((1, IMAGE_SIZE, IMAGE_SIZE, 3))
# 浮点并归一化
image = image.astype('float32')
image /= 255
# 给出输入属于各个类别的概率，我们是二值类别，则该函数会给出输入图像属于0和1的概率各为多少
result = self.model.predict_proba(image)
print('result:', result)
# 给出类别预测：0或者1
result = self.model.predict_classes(image)
# 返回类别预测结果
return result[0]
if __name__ == '__main__':
dataset = Dataset('D:\\data')
dataset.load()
model = Model()
model.build_model(dataset)
# 先前添加的测试build_model()函数的代码
model.build_model(dataset)
# 测试训练函数的代码
model.train(dataset)
if __name__ == '__main__':
dataset = Dataset('D:\\data')
dataset.load()
model = Model()
model.build_model(dataset)
model.train(dataset)
model.save_model(file_path='./hws&sym.face.model.h5')
#model.save_model(file_path='./hwsg&sym.face.model.h5')
if __name__ == '__main__':
dataset = Dataset('D:\\data')
dataset.load()
# 评估模型
model = Model()
model.load_model(file_path='./hws&sym.face.model.h5')
#model.load_model(file_path='./hwsg&sym.face.model.h5')
model.evaluate(dataset)
进行人脸识别：
import cv2
import sys
import gc
from strain import Model
if __name__ == '__main__':
if len(sys.argv) != 1:
print("Usage:%s camera_id\r\n" % (sys.argv[0]))
sys.exit(0)
# 加载模型
model = Model()
model.load_model(file_path='././hws&sym.face.model.h5')
#model.load_model(file_path='././hws&sym.face.model.h5')
# 框住人脸的矩形边框颜色
color = (0, 255, 0)
# 捕获指定摄像头的实时视频流
cap = cv2.VideoCapture(0)
# 人脸识别分类器本地存储路径
cascade_path = "D:\\OpenCV3.4\\opencv\\build\etc\\haarcascades\\haarcascade_frontalface_alt2.xml"
# 循环检测识别人脸
while True:
ret, frame = cap.read() # 读取一帧视频
if ret is True:
# 图像灰化，降低计算复杂度
frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
else:
continue
# 使用人脸识别分类器，读入分类器
cascade = cv2.CascadeClassifier(cascade_path)
# 利用分类器识别出哪个区域为人脸
faceRects = cascade.detectMultiScale(frame_gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))
if len(faceRects) > 0:
for faceRect in faceRects:
x, y, w, h = faceRect
# 截取脸部图像提交给模型识别这是谁
image = frame[y - 10: y + h + 10, x - 10: x + w + 10]
faceID = model.face_predict(image)
# 如果是"我"
if faceID == 0:
cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), color, thickness=2)
# 文字提示是谁
cv2.putText(frame, 'hws',
(x + 30, y + 30), # 坐标
cv2.FONT_HERSHEY_SIMPLEX, # 字体
1, # 字号
(255, 0, 255), # 颜色
2) # 字的线宽
else:
#pass
cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), color, thickness=2)
# 文字提示是谁
cv2.putText(frame, 'sym',
(x + 30, y + 30), # 坐标
cv2.FONT_HERSHEY_SIMPLEX, # 字体
1, # 字号
(255, 255, 0), # 颜色
2) # 字的线宽
cv2.imshow("Recognition hws or sym", frame)
# 等待10毫秒看是否有按键输入
k = cv2.waitKey(10)
# 如果输入q则退出循环
if k & 0xFF == ord('q'):
break
# 释放摄像头并销毁所有窗口
cap.release()
cv2.destroyAllWindows()
Original: https://blog.csdn.net/weixin_46347928/article/details/117437764
Author: 垃圾堆
Title: （最新）基于python（tensorflow）（OpenCV）卷积神经网络人脸识别
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/521686/
转载文章受原作者版权保护。转载请注明原作者出处！