这段时间做了一个用于初学者学习人脸识别系统的程序，在上代码时，先给说说事前准备：
首先我们需要一个OpenCV的一个haarcascade_frontalface_default.xml文件，只要去GitHub上面即可下载：https://github.com/opencv/opencv
点击Code，选择Download ZIP，下载后解压在目录下opencv-4.x\data\haarcascades中可以找到haarcascade_frontalface_default.xml，这个时候将这个文件复制到你的工程目录下。
第二个要准备的文件是：lfw-deepfunneled，这个文件在网站中下载：https://vis-www.cs.umass.edu/lfw/#download
进入网站后下拉找到Download the database: ，然后在这个模块中找到All images aligned with deep funneling，点击下载后，将压缩包解压到工程目录下即可。
然后创建一个模型训练的py文件，代码如下：
import os
import numpy as np
import cv2
from matplotlib import pyplot as plt
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report, confusion_matrix
from joblib import dump
# 设置数据集路径
lfw_home = 'D:/Pythonxiangmu/Python/renlian/lfw-deepfunneled' # 替换为实际路径
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
# 函数：从目录加载图像并提取人脸区域
def load_images_and_labels(directory):
images = []
labels = []
for label in sorted(os.listdir(directory)):
if not os.path.isdir(os.path.join(directory, label)):
continue
for img_path in os.listdir(os.path.join(directory, label)):
img = cv2.imread(os.path.join(directory, label, img_path), cv2.IMREAD_GRAYSCALE)
faces = face_cascade.detectMultiScale(img, scaleFactor=1.1, minNeighbors=5)
if len(faces) > 0:
for (x, y, w, h) in faces:
face_img = img[y:y + h, x:x + w]
face_img_resized = cv2.resize(face_img, (130, 195)) # 保持与应用代码一致
images.append(face_img_resized.flatten())
labels.append(label)
return np.array(images), np.array(labels)
def train_face_recognition_model(dataset_path):
# 加载图像和标签
X, labels = load_images_and_labels(dataset_path)
# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(X, labels, test_size=0.25, random_state=42)
# 特征缩放
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
# PCA降维
n_components = 150 # 选择合适的主成分数
pca = PCA(n_components=n_components, whiten=True)
X_train_pca = pca.fit_transform(X_train_scaled)
X_test_pca = pca.transform(X_test_scaled)
# 训练逻辑回归模型
clf = LogisticRegression(C=1e5)
clf.fit(X_train_pca, y_train)
# 预测与评估
y_pred = clf.predict(X_test_pca)
print("Classification Report:")
print(classification_report(y_test, y_pred))
print("Confusion Matrix:")
print(confusion_matrix(y_test, y_pred))
# Eigenfaces进行可视化（可选）
n_components_to_show = 10
"""可视化前n个Eigenfaces"""
eigenfaces = pca.components_
eigenface_titles = ["Eigenface %d" % i for i in range(1, n_components_to_show + 1)]
# 选择前n个Eigenfaces进行可视化
for i in range(n_components_to_show):
eigenface = eigenfaces[i].reshape(195, 130) # 根据之前调整的尺寸进行重塑
plt.subplot(2, 5, i + 1)
plt.imshow(eigenface, cmap='gray')
plt.title(eigenface_titles[i])
plt.axis('off') # 不显示坐标轴
plt.show()
# 保存模型与预处理器
dump(clf, 'model.pkl')
dump(scaler, 'scaler.pkl')
dump(pca, 'pca.pkl')
# 调用函数以执行训练流程
train_face_recognition_model(lfw_home)运行结束后，就会在你的工程目录下创建三个训练好的pkl文件。
然后再创建一个人脸识别用的py文件，代码如下：
import os
from tkinter import Tk, Label, messagebox
import cv2
import joblib
import numpy as np
from PIL import Image, ImageTk
# 加载预先训练好的LogisticRegression模型，用于后续的人脸识别
model = joblib.load('model.pkl')
# 加载特征缩放器，用于标准化输入数据，提高模型识别性能
scaler = joblib.load('scaler.pkl')
# 加载PCA模型，用于降维处理，减少计算复杂度并去除噪声
pca = joblib.load('pca.pkl')
# 定义函数：从给定路径加载参考照片并提取其面部特征
def load_reference_image(reference_path):
# 使用OpenCV读取灰度图像作为参考照片
reference_image = cv2.imread(reference_path, cv2.IMREAD_GRAYSCALE)
# 利用预设的人脸检测器检测参考照片中的人脸
reference_faces = face_cascade.detectMultiScale(reference_image)
# 确保至少检测到一张人脸，否则抛出错误
if len(reference_faces) == 0:
raise ValueError("No face detected in reference image.")
# 获取检测到的第一张人脸区域
reference_face_roi = reference_image[
reference_faces[0][1]:reference_faces[0][1] + reference_faces[0][3],
reference_faces[0][0]:reference_faces[0][0] + reference_faces[0][2]
]
# 对提取的参考人脸区域进一步预处理，准备用于模型识别
preprocessed_reference_face = preprocess_face(reference_face_roi)
# 返回预处理后的面部特征数据
return preprocessed_reference_face
# 定义函数：预处理输入的人脸图像，以便用于模型识别
def preprocess_face(face_image):
# 确保图像尺寸与训练时一致(130x195)
face_image_resized = cv2.resize(face_image, (130, 195))
# 图像数据展平
img_flattened = face_image_resized.flatten() # 调整尺寸后，直接展平
# 特征缩放
img_scaled = scaler.transform(img_flattened.reshape(1, -1))
# PCA降维
img_pca = pca.transform(img_scaled)
# 使用训练好的模型进行预测
return img_pca
# 定义函数：识别视频流中的脸部并判断是否为目标人物
def recognize_faces(frame):
# 将视频帧转换为灰度图像，便于人脸检测
gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 使用预定义的人脸级联分类器检测图像中的人脸
face_rects = face_cascade.detectMultiScale(gray_frame, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
# 遍历检测到的每一个人脸区域
for (x, y, w, h) in face_rects:
# 提取人脸区域
face_roi = gray_frame[y:y + h, x:x + w]
# 对该人脸区域进行预处理
preprocessed_face = preprocess_face(face_roi)
# 使用模型预测该人脸属于各个类别的概率
probabilities = model.predict_proba(preprocessed_face.reshape(1, -1))[0]
# 获取最可能的预测类别
predicted_label = np.argmax(probabilities)
# 若预测类别与目标人物标签匹配，则认为识别到了目标人物
if predicted_label == target_person_label:
return True
# 若未识别到目标人物，则返回False
return False
# 加载OpenCV预训练的人脸检测模型（基于Haar特征的级联分类器）
base_dir = r"D:\Pythonxiangmu\Python\renlian"
xml_path = os.path.join(base_dir, "haarcascade_frontalface_default.xml")
face_cascade = cv2.CascadeClassifier(xml_path)
# 设置目标人物在模型中的标签假设
target_person_label = 0
# 初始化Tkinter图形界面，用于展示视频流及识别结果
root = Tk()
root.title("Face Recognition System")
root.geometry("800x600")
# 创建一个Label控件用于动态显示视频帧
label = Label(root)
label.pack(fill="both", expand=True)
# 加载并预处理参考照片，获取其特征编码
photo_path = os.path.join(base_dir, "zhaopian.jpg")
reference_face_encoding = load_reference_image(photo_path)
# 定义视频流展示的回调函数，持续更新显示内容并执行人脸识别
def show_frame():
# 从摄像头读取一帧图像
ret, frame = cap.read()
if ret: # 确保成功读取到帧
# 尝试识别当前帧中的人脸
is_recognized = recognize_faces(frame)
# 若识别到目标人物，弹出提示框
if is_recognized:
messagebox.showinfo("Recognition Result", "Face recognized!")
# 转换图像色彩空间以适应Tkinter显示，并调整尺寸
rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
pil_image = Image.fromarray(rgb_frame)
resized_image = pil_image.resize((root.winfo_width(), root.winfo_height()))
# 转换为Tkinter兼容的图像格式并更新显示
tk_image = ImageTk.PhotoImage(image=resized_image)
label.config(image=tk_image)
label.image = tk_image # 防止图像对象被提前释放
# 定时调用自身以实现连续更新
root.after(1, show_frame)
# 初始化摄像头设备
cap = cv2.VideoCapture(0)
# 启动视频流的显示循环
show_frame()
# 运行Tkinter事件循环
root.mainloop()
# 关闭摄像头资源
cap.release()运行后就开始人脸识别，这样就完成啦！
注意，代码中的所有的路径都应该改成自己的路径！其中的像素可以修改，但是要注意训练脚本要和识别脚本的像素一致，否则会报错！
如果有什么问题欢迎在评论区提问，也可以发个人邮箱：linyuanda@linyuanda.com