引言

人臉識別是計算機視覺領域的一個重要應用，今天我將分享一個使用Python和OpenCV實現的簡單人臉識別系統。這個系統能夠識別特定人物的照片，并給出識別結果的置信度。

一、概述

這個系統使用了OpenCV的LBPH（Local Binary Patterns Histograms）人臉識別算法，通過訓練已知的人臉圖像，然后對新的圖像進行預測識別。

二、代碼實現

import cv2
import numpy as np# 加載訓練用的人臉照片
images = []
images.append(cv2.imread('linyuner 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('linyuner 2.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 2.jpg', cv2.IMREAD_GRAYSCALE))# 對應標簽（0代表林允兒，1代表陳都靈）
labels = [0, 0, 1, 1]# 標簽字典，用于將數字標簽轉換為可讀名稱
dic = {0: '林允兒', 1: '陳都靈', -1: '無法識別'}# 加載待識別的人臉圖像
predict_image = cv2.imread('chendulin 3.jpg', cv2.IMREAD_GRAYSCALE)# 創建LBPH人臉識別器，設置閾值為80
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)# 訓練識別器
recognizer.train(images, np.array(labels))# 進行預測
label, confidence = recognizer.predict(predict_image)# 輸出結果
print('這人是：', dic[label])
print('置信度', confidence)

1. 代碼整體結構

這段代碼實現了一個簡單但完整的人臉識別系統，主要流程包括：

1. 加載訓練圖像
2. 準備對應標簽
3. 創建識別器
4. 訓練模型
5. 預測新圖像
6. 輸出結果

2. 導入庫解析

import cv2
import numpy as np

• cv2：OpenCV庫，提供計算機視覺相關功能，這里主要使用其人臉識別模塊
• numpy：Python科學計算基礎庫，用于處理數組和矩陣運算

3. 訓練數據準備

images = []
images.append(cv2.imread('linyuner 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('linyuner 2.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 2.jpg', cv2.IMREAD_GRAYSCALE))

• cv2.imread()：讀取圖像文件
  • 第一個參數：圖像路徑
  • 第二個參數cv2.IMREAD_GRAYSCALE：以灰度模式讀取圖像，因為人臉識別通常不需要顏色信息
• 將讀取的圖像存儲在images列表中

4. 標簽系統

labels = [0, 0, 1, 1]
dic = {0: '林允兒', 1: '陳都靈', -1: '無法識別'}

• labels：與訓練圖像對應的數字標簽
  • 0代表"林允兒"
  • 1代表"陳都靈"
• dic：字典，將數字標簽映射為可讀的名稱
  • -1表示無法識別的情況

5. 待識別圖像加載

predict_image = cv2.imread('chendulin 3.jpg', cv2.IMREAD_GRAYSCALE)

• 同樣以灰度模式加載待識別的圖像
• 放入一張陳都靈的照片進行檢驗，后面代碼會顯示預測結果
  

6. LBPH識別器創建

recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

• LBPH(Local Binary Patterns Histograms)：局部二值模式直方圖
  • 一種高效的人臉識別算法
  • 對光照變化有一定魯棒性
• threshold=80：設置識別閾值
  • 當預測的置信度距離大于此值時，返回-1(無法識別)
  • 這個值需要根據實際情況調整

7. 模型訓練

recognizer.train(images, np.array(labels))

• 使用訓練圖像和對應標簽訓練模型
• 將Python列表轉換為numpy數組，這是OpenCV函數常見的輸入要求

8. 預測執行

label, confidence = recognizer.predict(predict_image)

• predict()：對新的圖像進行預測
• 返回兩個值：
  • label：預測的標簽(對應之前的0或1)
  • confidence：置信度(距離值)，越小表示匹配度越高

9. 結果輸出

print('這人是：', dic[label])
print('置信度', confidence)

• 使用字典將數字標簽轉換為可讀名稱
• 輸出識別結果和置信度
• 結果輸出如下：

三、 LBPH算法原理解析

LBPH工作的三個主要步驟：

1. 局部二值模式(LBP)特征提取

   • 對每個像素與其鄰域像素比較
   • 生成二進制模式

2. 直方圖構建

   • 將圖像分成多個小區域
   • 為每個區域構建LBP直方圖

3. 比較直方圖

   • 比較輸入圖像與訓練圖像的直方圖
   • 使用卡方距離等度量方法

四、關鍵點解析

1. 圖像加載：所有圖像都以灰度模式加載(cv2.IMREAD_GRAYSCALE)，因為人臉識別通常不需要顏色信息。

2. 標簽系統：使用數字標簽(0,1)對應不同人物，并通過字典轉換為可讀名稱。

3. LBPH算法：Local Binary Patterns Histograms是一種高效的人臉識別算法，對光照變化有一定的魯棒性。

4. 閾值設置：閾值設為80，當預測的置信度高于此值時，返回-1（無法識別）。

5. 訓練與預測：先使用已知圖像訓練模型，然后對新的圖像進行預測。

五、改進方向

1. 增加更多的人臉樣本以提高準確性
2. 實現實時攝像頭人臉識別
3. 添加人臉檢測功能，自動裁剪人臉區域
4. 使用更先進的深度學習模型

總結

通過這個簡單的示例，我們了解了如何使用OpenCV實現基礎的人臉識別功能。雖然這個系統比較簡單，但它展示了人臉識別的基本原理和工作流程。隨著樣本數量的增加和算法的優化，系統的識別準確率可以進一步提高。

希望這篇博客對你理解人臉識別技術有所幫助！如果你有任何問題或建議，歡迎在評論區留言。

萬事勝意，得償所愿！加油各位！！！🚀🚀🚀