Opencv:FisherFace算法实现人脸检测

简介

实现步骤

1. 图像读取和预处理

2. 创建和训练识别器

3. 图像识别和结果展示

4、结果展示

总结

简介

在人工智能和计算机视觉领域，人脸识别是一项非常有趣且实用的技术。本文将向您介绍如何使用OpenCV库以及FisherFace算法实现人脸识别。我们将一步步分析代码，并展示如何将其应用到一个简单的项目中。

人脸识别技术通过分析人脸图像的特征，从而识别出图像中的人。OpenCV是一个强大的计算机视觉库，提供了多种人脸识别算法。FisherFace算法是基于线性判别分析（LDA）的一种人脸识别方法，它能够有效地在特征空间中对人脸进行分类。

实现步骤

1. 图像读取和预处理

首先，我们需要读取和预处理图像。预处理包括灰度化和调整图像大小，以便输入到人脸识别算法中。

import cv2
import numpy as np# 定义一个函数用于读取和预处理图像
def image_re(image):a = cv2.imread(image, 0)  # 读取图像，灰度模式a = cv2.resize(a, (120, 180))  # 调整图像大小return a# 读取训练图像
a = image_re('hg1.png')
b = image_re('hg2.png')
c = image_re('pyy1.png')
d = image_re('pyy2.png')# 将图像添加到列表中
images = [a, b, c, d]
# 为每个图像分配标签
labels = [0, 0, 1, 1]

2. 创建和训练识别器

接下来，我们使用FisherFace算法创建一个识别器，并用训练图像和标签来训练它。

# 读取待识别的图像
pre_image = cv2.imread('hg3.png', 0)
pre_image = cv2.resize(pre_image, (120, 180))# 创建FisherFace识别器
recognizer = cv2.face.FisherFaceRecognizer_create()
# 训练识别器
recognizer.train(images, np.array(labels))

3. 图像识别和结果展示

现在，我们可以使用训练好的识别器来预测待识别图像的标签。

# 预测待识别图像的标签和置信度
label, confidence = recognizer.predict(pre_image)# 创建一个字典用于标签到名称的映射
dic = {0: 'hg', 1: 'pyy'}# 打印识别结果
print('这个人是：', dic[label])
print('置信度：', confidence)# 在图像上添加识别结果
aa = cv2.putText(cv2.imread('hg3.png').copy(), dic[label], (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow('xx', aa)
cv2.waitKey(60000)

在上面的代码中，我们首先使用recognizer.predict方法预测待识别图像的标签和置信度。然后，我们使用cv2.putText在图像上添加识别结果。