1、树莓派树莓派人脸识别-硬件组装+系统烧录
2、树莓派人脸识别-树莓派人脸识别-环境搭建、相机测试
3、树莓派人脸识别-人脸检测与识别实践部分

传统的人脸识别算法一般需要较高的计算资源，在树莓派上实现会很卡，下面是极简版的人脸识别。

代码文件夹链接如下链接: https://pan.baidu.com/s/1sWnvG7ChoFbkMUAs6nSCsQ?pwd=rdmt

参考文章：https://www.instructables.com/Real-time-Face-Recognition-an-End-to-end-Project/

运行代码:

  1. 拷贝文件目录到树莓派，打开命令行，进入文件目录
  2. ptyhon 01_face_dataset.py （这里输入python 01 之后按tab会自动补齐文件名）
  3. 输入id (任意数字，1-10最佳)
  4. 等待摄像头拍照，照片会存进dataset文件夹，名字跟id和顺序有关
  5. python 02_face_training.py （这里输入python 02 之后按tab会自动补齐文件名）
  6. 训练好的文件会放在trainer文件夹内
  7. python 03_face_recognition.py （这里输入python 03 之后按tab会自动补齐文件名）
  8. 这里会打开摄像头，面部贴近摄像头会显示识别信息，id对应03_face_recognition.py代码中的names数组名字，中文会乱码所以直接用英文缩写就好（比如 张三改成San Zhang ）

1、01_face_dataset(捕捉人脸存储到文件用于训练，保存到dataset文件夹)

  1. 下面这段代码使用 OpenCV 捕获摄像头中的视频帧，并利用 haarcascade_frontalface_default.xml 文件来进行人脸检测。
  2. 每输入一个数字人脸ID，并在数据集文件夹中创建一个名为 “User.[face_id].[count].jpg” 的新文件来保存每个采集到的人脸样本。
  3. 程序将等待直到采集到30个人脸样本或按下 ESC 键，然后清理资源并退出程序。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
# 从多个用户中捕获多个人脸并将其存储在数据库（数据集目录）中
# ==> 人脸将存储在目录：dataset/（如果不存在，请创建它）
# ==> 每个人脸将有一个唯一的数字ID，如1、2、3等

# 代码原作者：Anirban Kar (https://github.com/thecodacus/Face-Recognition)

import cv2
import os

# 获取默认摄像头
cam = cv2.VideoCapture(0)
# 设置视频宽度
cam.set(3, 640)
# 设置视频高度
cam.set(4, 480)

# 加载人脸检测器
face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 对于每个人，请输入一个数字人脸ID
face_id = input('\n 请输入用户ID，然后按 <回车> 键 ==>  ')

print("\n [INFO] 初始化人脸采集，请直视摄像头并等待...")
# 初始化每个用户的人脸样本计数器
count = 0

while(True):
    # 读取视频帧
    ret, img = cam.read()
    # 垂直翻转视频图像
    img = cv2.flip(img, -1)
    img = cv2.flip(img, 0)
    # 转换为灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 检测人脸
    faces = face_detector.detectMultiScale(gray, 1.3, 5)

    for (x,y,w,h) in faces:
        # 在图像上绘制矩形，标记出人脸位置
        cv2.rectangle(img, (x,y), (x+w,y+h), (255,0,0), 2)
        # 增加采集到的人脸计数器
        count += 1

        # 将采集到的人脸样本保存到数据集文件夹中
        # 文件名格式为 "User.[face_id].[count].jpg"
        cv2.imwrite("dataset/User." + str(face_id) + '.' + str(count) + ".jpg", gray[y:y+h,x:x+w])

        # 显示人脸采集过程
        cv2.imshow('image', img)

    # 等待100毫秒并检测键盘输入，如果按下 ESC 键则退出程序
    k = cv2.waitKey(100) & 0xff
    if k == 27:
        break
    
    # 如果采集到的人脸样本数达到30个，则停止采集
    elif count >= 30:
        break

# 清理资源
print("\n [INFO] 程序已退出并清理资源")
cam.release()
cv2.destroyAllWindows()

2、02_face_training（训练人脸数据，保存到trainer文件夹）

  1. 下面这段代码通过调用 OpenCV 的人脸识别器和人脸检测器，对存储在数据库中的多个人脸图像进行训练。
  2. 函数 getImagesAndLabels() 用于获取数据库中的人脸图像和对应的标签数据。
  3. 然后，使用 LBPH 识别器对这些人脸图像进行训练，并将训练好的模型保存到 trainer/trainer.yml 文件中。
  4. 最后，程序输出训练过的人脸数量，并退出程序。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
import cv2
import numpy as np
from PIL import Image
import os

# 存储人脸图像的路径
path = 'dataset'

# 创建 LBPH 人脸识别器和人脸检测器
recognizer = cv2.face.LBPHFaceRecognizer_create()
detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml");

# 获取人脸图像和标签数据的函数
def getImagesAndLabels(path):

    imagePaths = [os.path.join(path,f) for f in os.listdir(path)]     
    faceSamples=[]
    ids = []

    for imagePath in imagePaths:

        # 将图像转换为灰度图像，并将其转换为 NumPy 数组
        PIL_img = Image.open(imagePath).convert('L') # 将图像转换为灰度图像
        img_numpy = np.array(PIL_img,'uint8')

        # 解析图像文件名以获取人脸ID
        id = int(os.path.split(imagePath)[-1].split(".")[1])
        # 使用人脸检测器检测人脸
        faces = detector.detectMultiScale(img_numpy)

        # 将人脸图像和ID添加到列表中
        for (x,y,w,h) in faces:
            faceSamples.append(img_numpy[y:y+h,x:x+w])
            ids.append(id)

    return faceSamples,ids

print ("\n [INFO] 训练人脸数据，这会花费一些时间，请等待...")
# 获取人脸图像和标签数据
faces,ids = getImagesAndLabels(path)
# 使用 LBPH 识别器进行训练
recognizer.train(faces, np.array(ids))

# 将训练好的模型保存到 trainer/trainer.yml 文件中
recognizer.write('trainer/trainer.yml')

# 打印训练过的人脸数量并退出程序
print("\n [INFO] {0} 个人脸已训练完毕，程序即将退出。".format(len(np.unique(ids))))

3、03_face_recognition

  1. 下面这段代码使用 cv2.VideoCapture 实时获取摄像头捕获的视频图像，然后使用人脸检测器检测图像中的人脸。
  2. 对于检测到的每个人脸，使用训练好的 LBPH 人脸识别器进行识别。
  3. 如果置信度（confidence）小于100，则认为识别成功，并根据 ID 获取对应的名字。否则，将 ID 设置为 “unknown”。
  4. 最后，在图像上显示出识别结果。
  5. 程序会持续地从摄像头中获取图像，并进行实时的人脸识别，直到用户按下 ESC 键退出程序。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
import cv2
import numpy as np
import os 

# 加载训练好的 LBPH 人脸识别器
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('trainer/trainer.yml')

# 加载人脸检测器
cascadePath = "haarcascade_frontalface_default.xml"
faceCascade = cv2.CascadeClassifier(cascadePath);

# 定义字体
font = cv2.FONT_HERSHEY_SIMPLEX

# 初始化 ID 计数器
id = 0

# ID 对应的名字，例如：Marcelo 的 ID 为 1，对应的 names 列表中的第一个元素，以此类推。
names = ['None', 'Marcelo', 'Paula', 'Ilza', 'Z', 'W'] 

# 初始化并启动实时视频采集
cam = cv2.VideoCapture(0)
cam.set(3, 640) # 设置视频宽度
cam.set(4, 480) # 设置视频高度

# 定义最小窗口大小以被识别为人脸
minW = 0.1*cam.get(3)
minH = 0.1*cam.get(4)

while True:

    ret, img =cam.read()
     # 垂直翻转视频图像
    img = cv2.flip(img, -1)
    img = cv2.flip(img, -1)

    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

    # 使用人脸检测器检测人脸
    faces = faceCascade.detectMultiScale( 
        gray,
        scaleFactor = 1.2,
        minNeighbors = 5,
        minSize = (int(minW), int(minH)),
       )

    for(x,y,w,h) in faces:

        # 在图像上绘制矩形，标记出人脸位置
        cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)

        # 对每个人脸进行识别
        id, confidence = recognizer.predict(gray[y:y+h,x:x+w])

        # 如果置信度小于100，则认为识别成功
        if (confidence < 100):
            id = names[id] # 获取 ID 对应的名字
            confidence = "  {0}%".format(round(100 - confidence))
        else:
            id = "unknown"
            confidence = "  {0}%".format(round(100 - confidence))
        
        # 在图像上显示出识别结果
        cv2.putText(img, str(id), (x+5,y-5), font, 1, (255,255,255), 2)
        cv2.putText(img, str(confidence), (x+5,y+h-5), font, 1, (255,255,0), 1)  
    
    cv2.imshow('camera',img) 

    # 按下 ESC 键退出程序
    k = cv2.waitKey(10) & 0xff 
    if k == 27:
        break

# 清理资源
print("\n [INFO] 退出程序并清理资源")
cam.release()
cv2.destroyAllWindows()

到这里已经完成了树莓派人脸识别的课程设计，但是并不能得到很好地GPA。

故很容易想到用pyqt做一个简单界面，链接数据库做数据的存储（mysql并不能正确配置armhf，所以用平替MariaDB尝试了一下，体验很差），经过笔者的尝试效果并不理想，如果你是使用8核的主板可以尝试一下，4核真的很卡，所以我不建议在这里花时间去做。

所以这里建议直接在自己的笔记本电脑上做其他的人脸识别实验

  1. （CSDN上可以搜到，有人做了很系统的总结）Python3.0+OpenCV4+PyQt5+Mysql8+dlib+conda环境的人脸识别，其中环境使用Anaconda配置的虚拟环境，活体检测使用的dlib眨眼检测（一般我们使用的都是普通的2D相机，不同于景深信息相机和3D结构光相机，不能很好的进行活体检测），界面设计用QT Designer，人脸识别主要使用OpenCV库的一些函数，效果比较好的是ResNet-SSD残差网络，使用affine transformations进行仿射变换，使用2015Google的FaceNet做人脸识别，使用SVM只支持向量机更好的处理向量数据，使用PyMysql操作数据库。
  2. （Kaggle上直接找Olivetti数据集，里面有人做的案例可以参考）使用现有的数据集比如Olivetti数据集（40人x10张人脸灰度图-不同时间、表情、细节），做PCA主要成分分析，在数量足够多的情况下进行局部特征分析、全局分析和混合分析找到三种模型中accury交叉验证准确率得分最高的模型，进行参数优化得到最优的模型用于人脸识别实验的结果。

上面两个实验提供了两个很好地思路，一种是实体的检测，一种是照片的检测，这里想到之前机器视觉有人答辩的时候老师问他准确率怎么有90+，正常70就很好了，他直接懵（因为他用的是手机照片放在摄像头做的测试，环境影响不大所以检测差不不大，实际使用实体人脸的话准确率也在60左右。）

到这里满绩完全没有问题，如果你想让老师眼前一亮到时候科研项目、保研考研一类看好你，可以往下看，

你可以在自己的论文内加入一些比较权威的内容，比如在bilibili上搜CVPR论文，之后关注加v拿资料，可以在论文内找找看有没有感兴趣的加到自己的课程设计内，比如人脸识别&检测、人脸生成&合成&重建&编辑、人脸反欺骗这这些方面入手。