這回進行了人臉識別的項目，對學習過程進行記錄。 首先進行的就是一系列環境的配置，如 python3.7的安裝， python的IDE pycharm的安裝，然後進行opencv庫的安裝，可以通過pycharm中的settings->project->Project Interpreter 頁面進行添 ...
這回進行了人臉識別的項目，對學習過程進行記錄。
首先進行的就是一系列環境的配置，如 python3.7的安裝， python的IDE pycharm的安裝，然後進行opencv庫的安裝，可以通過pycharm中的settings->project->Project Interpreter 頁面進行添加， 也可以通過pip命令在命令行界面上安裝。 環境的搭建過程略過。
然後就是對opencv庫進行運用
先貼出opencv的概念：
OpenCV是一個基於BSD許可（開源）發行的跨平臺電腦視覺庫，可以運行在Linux、Windows、Android和Mac OS操作系統上。它輕量級而且高效——由一系列 C 函數和少量 C++ 類構成，同時提供了Python、Ruby、MATLAB等語言的介面，實現了圖像處理和電腦視覺方面的很多通用演算法。
OpenCV用C++語言編寫，它的主要介面也是C++語言，但是依然保留了大量的C語言介面。該庫也有大量的Python、Java and MATLAB/OCTAVE（版本2.5）的介面。這些語言的API介面函數可以通過線上文檔獲得。如今也提供對於C#、Ch、Ruby,GO的支持
我們著重瞭解一下： OpenCV 自帶了三個人臉識別演算法：Eigenfaces，Fisherfaces 和局部二值模式直方圖 (LBPH)。
這一次我們使用LBPH演算法，理由是這個演算法會根據用戶的新輸入而自動更新，假如在有新的人臉數據錄入或者糾正某次出錯的識別判斷時， 我們不必重新進行一次徹底的訓練。
人臉識別所需部分API：
1.人臉識別分類器，採用opencv自帶的人臉分類器
faceCascade=cv2.CascadeClassifier(r'C:\python3.7\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml')
2.攝像頭操作
# 開啟攝像頭 預設筆記本的攝像頭是第0號攝像頭，如果有外置攝像頭，並向啟動就是1
cap = cv2.VideoCapture(0)
# 讀取攝像頭中的圖像，ok為是否讀取成功的判斷參數
ok, img = cap.read()
#關閉攝像頭
cap.release()
3.人臉檢測
#檢測函數
faces = faceCascade.detectMultiScale(
gray,
scaleFactor=1.05,
minNeighbors=5,
minSize=(32, 32)
)
# 畫矩形
cv2.rectangle(img, (ex, ey), (ex+ew, ey+eh), (0, 255, 0), 2)
# 轉為灰度圖片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 保存圖像
cv2.imwrite(path, src)
#打開圖片，並轉化為灰度
PIL_img = Image.open(imagePath).convert('L')
4.視頻視窗操作
#顯示視頻視窗
cv2.imshow('video', img)
#獲取按鍵指令
k = cv2.waitKey(1)
#銷毀全部窗體
cv2.destroyAllWindows()
人臉識別的技術特征（僅瞭解）：
人臉識別系統主要包括四個組成部分，分別為：人臉圖像採集及檢測、人臉圖像預處理、人臉圖像特征提取以及匹配與識別。
人臉圖像採集及檢測
人臉圖像採集：不同的人臉圖像都能通過攝像鏡頭採集下來，比如靜態圖像、動態圖像、不同的位置、不同表情等方面都可以得到很好的採集。當用戶在採集設備的拍攝範圍內時，採集設備會自動搜索並拍攝用戶的人臉圖像。
人臉檢測：人臉檢測在實際中主要用於人臉識別的預處理，即在圖像中準確標定出人臉的位置和大小。人臉圖像中包含的模式特征十分豐富，如直方圖特征、顏色特征、模板特征、結構特征及Haar特征等。人臉檢測就是把這其中有用的信息挑出來，並利用這些特征實現人臉檢測。
主流的人臉檢測方法基於以上特征採用Adaboost學習演算法，Adaboost演算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。
人臉檢測過程中使用Adaboost演算法挑選出一些最能代表人臉的矩形特征(弱分類器)，按照加權投票的方式將弱分類器構造為一個強分類器，再將訓練得到的若幹強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。
人臉圖像預處理
人臉圖像預處理：對於人臉的圖像預處理是基於人臉檢測結果，對圖像進行處理並最終服務於特征提取的過程。系統獲取的原始圖像由於受到各種條件的限制和隨機干擾，往往不能直接使用，必須在圖像處理的早期階段對它進行灰度校正、雜訊過濾等圖像預處理。對於人臉圖像而言，其預處理過程主要包括人臉圖像的光線補償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。
人臉圖像特征提取
人臉圖像特征提取：人臉識別系統可使用的特征通常分為視覺特征、像素統計特征、人臉圖像變換繫數特征、人臉圖像代數特征等。人臉特征提取就是針對人臉的某些特征進行的。人臉特征提取，也稱人臉表徵，它是對人臉進行特征建模的過程。人臉特征提取的方法歸納起來分為兩大類：一種是基於知識的表徵方法；另外一種是基於代數特征或統計學習的表徵方法。
基於知識的表徵方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助於人臉分類的特征數據，其特征分量通常包括特征點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和它們之間結構關係的幾何描述，可作為識別人臉的重要特征，這些特征被稱為幾何特征。基於知識的人臉表徵主要包括基於幾何特征的方法和模板匹配法。
人臉圖像匹配與識別
人臉圖像匹配與識別：提取的人臉圖像的特征數據與資料庫中存儲的特征模板進行搜索匹配，通過設定一個閾值，當相似度超過這一閾值，則把匹配得到的結果輸出。人臉識別就是將待識別的人臉特征與已得到的人臉特征模板進行比較，根據相似程度對人臉的身份信息進行判斷。這一過程又分為兩類：一類是確認，是一對一進行圖像比較的過程，另一類是辨認，是一對多進行圖像匹配對比的過程。
