python图像处理-基于LBP的人脸检测和人脸识别

2024-01-29 09:59

本文主要是介绍python图像处理-基于LBP的人脸检测和人脸识别,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

python图像处理-基于LBP的人脸检测和人脸识别

主要工作是:
1.了解LBP纹理特征的原理
2.调用OPEN-CV人脸识别库,框出图像中所有的人脸
3.将人脸区域做LBPH,将其计算结果与人脸标签做训练集(H表示直方图)
4.用爬虫爬出两个人的很多图片,构成较为多图片的训练集
5.用训练出来的分类器进行人脸识别


目录

  • python图像处理-基于LBP的人脸检测和人脸识别
  • 1. LBP纹理特征的原理
  • 2.调用OPEN-CV人脸识别库,框出图像中所有的人脸
  • 3. 爬出两个人的很多图片
  • 4.将爬出的图片与标签对应
  • 5.进行分类
  • 6.实例
    • 6.1 图像与标签构成训练集
    • 6.2 进行分类
    • 6.3 利用LBPH读取训练集
    • 6.4 选取测试图片,并进行人脸检测
    • 6.5 人脸识别

头文件:

import numpy as np
import os
import cv2
import matplotlib.pyplot as plt

1. LBP纹理特征的原理

LBP: Local Binary Pattern, 局部二进制模式,是一种用来描述图像局部纹理的算子,它具有旋转不变性和灰度不变性等显著优点。它所提取的特征是局部特征,反映的是每个像素与周围像素的信息。

原始LBP算子:在33的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,33邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共2^8 = 256种),即得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息。

在这里插入图片描述
圆形LBP算子:基本的 LBP 算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域,这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征,并达到灰度和旋转不变性的要求,Ojala 等对 LBP 算子进行了改进,将 3×3 邻域扩展到任意邻域,并用圆形邻域代替了正方形邻域,改进后的 LBP 算子允许在半径为 R 的圆形邻域内有任意多个像素点,从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子。
在这里插入图片描述
旋转不变LBP算子:从LBP的定义可以看出,LBP算子是灰度不变的,但却不是旋转不变的。图像的旋转会得到不同的LBP值。Maenpaa等人又将 LBP 算子进行了扩展,提出了具有旋转不变性的 LBP 算子,即不断旋转圆形邻域得到一系列初始定义的 LBP 值,取其最小值作为该邻域的 LBP 值。

在这里插入图片描述
LBP等价模式:一个LBP算子可以产生不同的二进制模式,对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生2^p种模式。随着邻域集内采样点数的增加,二进制模式的种类是急剧增加的。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。同时,过多的模式种类对于纹理的表达是不利的。例如,将LBP算子用于纹理分类或人脸识别时,常采用LBP模式的统计直方图来表达图像的信息,而较多的模式种类将使得数据量过大,且直方图过于稀疏。因此,需要对原始的LBP模式进行降维,使得数据量减少的情况下能最好的代表图像的信息。

为了解决二进制模式过多的问题,提高统计性,Ojala提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。Ojala等认为,在实际图像中,绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此,Ojala将“等价模式”定义为:当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时,该LBP所对应的二进制就称为一个等价模式类。如00000000(0次跳变),00000111(只含一次从0到1的跳变),10001111(先由1跳到0,再由0跳到1,共两次跳变)都是等价模式类。除等价模式类以外的模式都归为另一类,称为混合模式类,例如10010111(共四次跳变)

以上都是些原理,下面是应用和思考:

在skimage库中有local_binary_pattern函数可以直接调用,函数的参数method分别取值为default, ror, uniform分别对应圆形LBP模式,LBP旋转不变模式和LBP等价模式。
下面比较旋转图片在default和ror模式下的提取效果。
原图:
在这里插入图片描述
default模式下的纹理特征提取:
在这里插入图片描述
roc模式下的纹理特征提取:
在这里插入图片描述

默认模式虽然很清楚,但是缺少旋转不变性,因为每旋转一定角度,生成的二进制就会移动,导致二进制数发生很大的变换。所以采用旋转不变性时,不论怎么旋转,都采用最小的值。这样一来,二进制不论怎么平移,都对应着唯一的值。但是这也导致,图像上的每一个点的灰度值都很接近,使图像偏暗。

2.调用OPEN-CV人脸识别库,框出图像中所有的人脸

## 这个函数是做人脸提取的,faces_rect是个四维向量,前两位输出人脸所在位置的左上方坐标,后两位是人类所在宽度
def detect_face(test_img):gray_img = cv2.cvtColor(test_img, cv2.COLOR_BGR2GRAY) # converts color img to grayscale img# the below line loads haar classifierface_haar_cascade = cv2.CascadeClassifier("D:/classofmathpicture/trainingImages/haarcascade_frontalface_default.xml")faces = face_haar_cascade.detectMultiScale(gray_img, scaleFactor = 1.32, minNeighbors = 5) # detectMultiScale returns rectanglesreturn faces, gray_img# 在图片中,在人脸位置上框出人类,并且给它标上text内容
def b_boxes(test_img, face):(x, y, w, h) = facecv2.rectangle(test_img, (x, y), (x + w, y + h), (255, 0, 0), thickness = 1)# 在框边写名字
def put_name(test_img, text, x, y):cv2.putText(test_img, text, (x, y), cv2.FONT_HERSHEY_DUPLEX, 1, (255, 0, 0), 1)

3. 爬出两个人的很多图片

需要放入两个文件夹,方便下面的图片与标签对应
在这里插入图片描述
链接

4.将爬出的图片与标签对应

## 训练函数,输出id(通过文件名)和 每一张图片的人脸部分。都是以链表的形式储存
def labels_train_data(directory):faces = []labels = []for path, subdirnames, filenames in os.walk(directory):for filename in filenames:if filename.startswith("."):print("Skipping system file")continueid = os.path.basename(path) # fetching subdirectory namesimg_path = os.path.join(path, filename) # fetching img pathprint("img_path:", img_path)print("id:", id)test_img = cv2.imread(img_path) # loading each imgif test_img is None:print("Image not loaded properly")continuefaces_rect, gray_img = detect_face(test_img) # calling this fn returns faces detected in particular imgif len(faces_rect) != 1:continue # since we are assuming only single person images are being fed to the classifier(x, y, w, h) = faces_rect[0]roi_gray = gray_img[y : y + w, x : x + h] # cropping region of interest (face area from grayscale image)faces.append(roi_gray)labels.append(int(id))return faces, labels

5.进行分类

# 分类函数  输入某人的人脸图片以及其标签,生产训练集
def train_classifier(faces, labels):face_recognizer = cv2.face.LBPHFaceRecognizer_create()face_recognizer.train(faces, np.array(labels))return face_recognizer

利用下面的LBPH提取人脸纹理直方图特征,进行分类,并记录在新的XML文件中。还可以用其他的特征提取算法:
在这里插入图片描述

6.实例

6.1 图像与标签构成训练集

faces, labels = labels_train_data("D:/classofmathpicture/wu")

文件夹应该是下图,0放入一个人的图片;1放入另一个人的图片。可以通过爬虫找图片
在这里插入图片描述

6.2 进行分类

#进行分类
face_recognizer = train_classifier(faces, labels)
#生成yml文件
face_recognizer.write("D:/classofmathpicture/trainingData.yml")

6.3 利用LBPH读取训练集

# 读取训练集,输出face_recognizer参数
face_recognizer = cv2.face.LBPHFaceRecognizer_create()
face_recognizer.read("D:/classofmathpicture/trainingData.yml")

6.4 选取测试图片,并进行人脸检测

# 选取测试图片
test_img = cv2.imread("D:/classofmathpicture/wulei_test4.png",1) # test img path
test_img = cv2.cvtColor(test_img, cv2.COLOR_BGR2RGB)
faces_detected, gray_img = detect_face(test_img)
plt.imshow(test_img)

faces_detected是人脸位置,链表数表示已检测人脸数目:
在这里插入图片描述
在这里插入图片描述

6.5 人脸识别

利用图像识别函数求出参数,根据参数识别不同的人脸

##选取最小的confidence值下的人脸作为匹配最接近的,其余判定other
name = {0:"wulei",1:"reba"} # creating dict containing names
for face in faces_detected:(x, y, w, h) = faceroi_gray = gray_img[y:y+h, x:x+w]label, confidence = face_recognizer.predict(roi_gray) # predicting the label of given imageprint("Confidence:", confidence)print("Label:", label)b_boxes(test_img, face)predicted_name = name[label]
#     if confidence>100: # if this is true then it doesn't print predicted face text on screen
#         continueput_name(test_img, predicted_name, x, y)
plt.figure(figsize=(20, 10)); 
plt.imshow(test_img)

在这里插入图片描述

这篇关于python图像处理-基于LBP的人脸检测和人脸识别的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/656550

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

opencv图像处理之指纹验证的实现

《opencv图像处理之指纹验证的实现》本文主要介绍了opencv图像处理之指纹验证的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录一、简介二、具体案例实现1. 图像显示函数2. 指纹验证函数3. 主函数4、运行结果三、总结一、

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.