——利用opencv快速入门人脸检测与人脸识别
opencv，顾名思义“开源，计算机视觉”。OpenCV就是这样的一个特殊的框架，一群大牛然绕自己的时间，制作了一个开源的计算机视觉框架。借助它我们可以快速的创建计算机视觉的应用。而我们这里将会使用更更加快速的OpenCV-Python，也就是OpenCV的Python接口。假如你已经安装了Python和pip，那么只需简单的执行“pip install opencv-python”即可。如果你没有安装Python，那么也很简单，下载Anaconda3，然后安装，其就自带近乎完整的Python科学计算环境。之后继续pip即可。
有了以上工具的帮助，我们只需要简单地使用几十行代码就可以快速的实现人脸检测与人脸识别。让“它”认得你。
人脸检测技术算得上是计算机视觉的基础级的技术之一。甚至在前深度学习时代，该技术就已经得到了很高程度的发展。在深度学习时代，人脸识别一般是利用卷积神经网络进行监督式学习，也就是通过让算法（神经网络）自己去发现规律的方式，创造出有用的卷积核（一种矩阵），然后利用其进行寻找图片和视频中的人脸。而在这之前，人们需要的则是自己去设计算法，寻找人脸。不过后来人们发明了一种近似于深度学习思路的人脸寻找算法，那就是haar算法。
这个算法简单点来说，就是计算一个区域内不同像素之间的灰度差别，来判断是不是人脸。原理就是一种有规律的图像，比如一个物体，无论光线明亮与否，其不同区域之间的像素差总是有一定规律的。就是凭借这种特殊的思路，科学家们第一次创造出了一种及其有效的人脸识别算法。而且其运算性能要求真的很低。甚至在树莓派1,2这种计算性能及其低的硬件设备上都能够快速运行。
OpenCV内部集成了人脸检测算法，并且OpenCV提供了训练好的人脸检测haar模型，使用yml保存。我们只需要简单的调用其中的类库就可以对照片或者视频进行人脸检测。下面我们就可以利用OpenCV中的摄像头调用和图片处理模块和人脸检测模块共同创建一个能够实时从摄像头中检测人脸数据，并将有关数据切割保存下来的程序。有了它，我们就可以创建一个带标签的人脸数据库，然后用于人脸识别。
第一步：加载haar数据，训练好的数据可以去github下载，或者从我的github下载：
https://github.com/FontTian/DS-Exhibitio
face_cascade =cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
face_cascade.load('./haarcascades/haarcascade_frontalface_default.xml')
第二步：我们需要调取摄像头，读取有关数据。同时由于我们需要实时显示，因此创建循环，在循环中不断调用获取摄像头中的图片，并进行后续处理。
camera = cv2.VideoCapture(0)
count = 0
while (True):
ret, frame = camera.read()
if ret == True:
...
else:
print("no ret")
if cv2.waitKey(int(1000 / 12)) & 0xFF == ord('q'):
break
第三步：我们需要创建灰度图，然后使用人脸检测器对处理后的图像进行人脸检测。同时我们利用人脸检测器返回的数据，在原图片中绘制一个方框，并实时显示。
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
for (x, y, w, h) in faces:
img = cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)
f = cv2.resize(gray[y:y + h, x:x + w], (200, 200))
cv2.imwrite('./data/at/tfs/%s.pgm' % str(count), f)
count += 1
cv2.imshow('camera', frame)
这样一番操作后，我们就获得了一份人脸数据库，我们通过文件夹的名字来标识图片。
在完成人脸检测之后，我们就得到了一份可以用于人脸识别的人脸数据库。之后我们就可以调取OpenCV中的人脸识别方法进行人脸识别，但是人脸识别的方法是有很多种实现方式的。如果现在就要将深度学习免不了长篇大论。因此这里我们将会使用OpenCV中的三种非深度学习方法进行人脸识别，并详细介绍其使用，简单介绍其原理。
OpenCV的人脸识别在face这个类库中，其自带三种人脸识别器。我们可以直接调用有关类库进行训练和测试以及使用。在这之前我们首先创建链表将原来保存的图片以矩阵形式加载。
import numpy as np
images = []
images.append(cv2.imread("data/at/fonttian/15.pgm",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("data/at/fonttian/17.pgm",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("data/at/fonttian/55.pgm",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("data/at/zjz/15.pgm",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("data/at/zjz/17.pgm",cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("data/at/zjz/60.pgm",cv2.IMREAD_GRAYSCALE))
labels = [0,0,0,1,1,1]
之后我们就可以调取不同人脸识别器来进行人脸识别了。OpenCV中自带三种人脸识别器——LBPH，EigenFace，Fisher。我们首先创建一个方法，来展示不同人脸识别器的判断结果和输出的置信度，置信度的范围选择我们在下一步会详细描述。
imgPath = "data/at/fonttian/570.pgm"
def showConfidence(imgPath,recognizer,images,labels):
recognizer.train(images,np.array(labels))
predict_image=cv2.imread(imgPath,cv2.IMREAD_GRAYSCALE)
labels,confidence = recognizer.predict(predict_image)
print("label=",labels)
print("conficence=",confidence)
上面的几个步骤就是人脸识别器的一般步骤，本质上来说人脸识别器与一般的机器学习模型都是一样的。需要有标签的数据，然后来做分类。所以首先需要使用标记好的数据来进行训练，并用新的数据进行预测。而人脸识别器的关键则在于如何从人脸中提取特征，并使用特征进行人脸识别。这是人脸识别的永恒套路，以前如此，现在也如此。
EigenFace是基于PCA的人脸识别器，一般置信程度5000以下判断为可靠，PCA就是主成分分析，其在人脸识别中的作用就是提取出人脸的主要信息，以此来判断不同人。
LBPH是局部二值模式直方图，局部二值，指的是某一点像素与周围点的大小差别，0和1指的就是其大小关系。其核心原理类似于haar都是计算局部像素之间的差异关系来进行图像识别。
Fisher是基于线性判别的人脸识别器。线性判别广泛应用于机器学习的多个领域，分类，聚类，推荐中都存储在其身影。在这里其基本思想与PCA一致，都是降维获得该人脸的人脸特征然后通过人脸特征来进行人脸识别。
具体的置信度如下所示，我们如果直接选择打印labels，那么程序会直接从给出最佳结果，对于测试而言或许是足够的。但是使用置信度来进行检测才是更好地方法。
recognizer = cv2.face.EigenFaceRecognizer_create()
showConfidence(imgPath,recognizer,images,labels)
recognizer = cv2.face.LBPHFaceRecognizer_create()
showConfidence(imgPath,recognizer,images,labels)
recognizer = cv2.face.FisherFaceRecognizer_create()
showConfidence(imgPath,recognizer,images,labels)
现在运行上面的代就可以告诉我们最终结果了。下面就是运行结果
人脸识别，人脸检测的技术虽然一直都在发展，准确度和计算量都在不断提升。但是作为一项应用或者说一个领域，万变不离其宗。我们可以首先从OpenCV的几十行代码起步，逐步掌握深度学习下的人脸识别。
随着计算机视觉技术和深度学习的发展，人脸识别已经成为一项广泛应用的技术，涵盖了从安全监控、身份验证、智能家居到大型公共安全项目等多个领域。
人脸识别技术通常包括以下几个主要步骤。
图像采集：通过摄像头或其他图像采集设备，捕获包含人脸的图像或视频帧。
人脸检测：从图像中定位人脸的位置，确定人脸的边界框。常用的方法包括：基于特征的传统方法（比如：Haar特征）、基于深度学习的方法（比如：YOLO、SSD等）。
特征提取：从检测到的人脸区域中提取有用的特征向量。
三.人脸识别使用方法
一：什么是人脸识别
人脸识别是一种用于识别陌生人或从特定人的脸中认证特定人的身份的方法。它是计算机视觉的一个分支，但是人脸识别是专门的，并且在某些应用程序中带有社交功能，并且存在一些欺骗的漏洞。
二:人脸识别的应用
1 远程刷脸登录
常规登录模式就是网页请求登录，以后刷脸登录将成为主流。
2 刷脸门禁
以往都是通过工卡刷门禁，往后通过指纹，刷脸会更多
3 抓拍捕
对人脸进行检测#include "opencv2/core/core.hpp"
#include "opencv2/objdetect/objdetect.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include
#include
using names
人脸识别即程序对输入的图像进行判别是否有人脸，并识别出有人脸的图像所对应的人。即我们常说的人脸识别一般包含了人脸检测和人脸识别两部分。下面对其在opencv中的相应模块进行分别介绍。
一：人脸检测
在人脸检测中，其主要任务是构造能够区分包含人脸实例和不包含人脸实例的分类器，
二：基本原理
opencv中提供了三种训练好的级联分类器。级联分类器顾名思义即通过不同的特征进行一步步筛选，最终得出所属的分类，它将一个复杂的分类问题拆解为一个个简单的分类问题，随着级联条件的判断，能够一步步筛出大量的负样本，极大的提升
OpenCv在进行人脸识别时候，为了达到效果，我们使用OpenCv的分类器。进行对图片进行识别。#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/objdetect/objdetect.hpp>
1. OpenCV官方文档：http://docs.opencv.org/
2. 《OpenCV计算机视觉编程入门》等相关图书
3. 人脸识别相关的科学论文和研究报告
设备准备：
1. 一台计算机或者嵌入式开发板，例如树莓派
2. 摄像头，建议选择分辨率较高的USB摄像头或者树莓派专用摄像头
3. 相关的传感器和硬件设备，例如红外传感器、温度传感器等
以上是一些基本的资料和设备准备建议，具体需要根据具体的研究任务和需求进行选择和定制。同时，也需要注意保护个人隐私和数据安全。
