python基于LBPH的人脸识别操作原理
1、LBPH(Local Binary Pattern Histogram)将检测到的人脸分为小单元,并将其与模型中的对应单元进行比较,对每个区域的匹配值产生一个直方图。
由于这种方法的灵活性,LBPH 是唯一允许模型样本人脸和检测到的人脸在形状、大小上可以不同的人脸识别算法。
2、调整后的区域中调用 predict()函数
predict()函数返回两个元素的数组:第一个元素是所识别 个体的标签,第二个是置信度评分。
3、所有的算法都有一个置信度评分阈值,置信度评分用来衡量所识别人脸与原模型的差距,0 表示完全匹配。可能有时不想保留所有的识别结果,则需要进一步处理,因此可用自己的算法来估算识别的置信度评分。
4、LBPH一个好的识别参考值要低于 50 ,任何高于 80 的参考值都会被认为是低的置信度评分。
python基于LBPH的人脸识别操作实例
import cv2 # 加载训练数据集文件 # 获取人脸识别对象 recognizer = cv2.face.LBPHFaceRecognizer_create() # 读取训练数据 recognizer.read('trainer/trainer.yml') # 准备识别图片 img = cv2.imread('6.pgm') # 将图片灰度 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 加载特征数据 face_detector = cv2.CascadeClassifier('D:/Python/opencv/sources/data/haarcascades /haarcascade_frontalface_default.xml') # 参数: scaleFactor(比例因子):图片缩放多少,minNeighbors:至少检测多少次, minSize maxSize:当前检测区域的最大最小面积 faces = face_detector.detectMultiScale(gray) # scaleFactor=1.01, minNeighbors=3, maxSize=(33, 33), minSize=(28, 28) # 获取脸部特征值 for x, y, w, h in faces: cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), thickness=2) cv2.circle(img, (x+w//2, y+h//2), radius=w//2, thickness=2, color=(0, 0, 255)) # 人脸识别 id, confidence = recognizer.predict(gray[y:y+h, x:x+w]) print('标签id:', id, '置信评分:', confidence) # 显示图片 cv2.imshow('result', img) cv2.waitKey(0) # 一直显示 cv2.destroyAllWindows() # 释放资源
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试