opencv实现人脸识别（三） 训练图片模块

现在我们已经拍好了需要训练的图片，接下来就是进行训练

流程图：

我们在这里用到了numpy库，NumPy是一个功能强大的Python库，主要用于对多维数组执行计算。

使用numpy的目的是减少python代码中的循环，以及提高数组运算的效率。

对于numpy性能的提升程度，我们可以从这段代码中直观感受到：

import datetime as dt
import numpy as np
 
n = 100000
start = dt.datetime.now()
A, B = [], []
for i in range(n):
    A.append(i ** 2)
    B.append(i ** 3)
C = []
for a,b in zip(A,B):
    C.append(a+b)
 
t = (dt.datetime.now() -start).microseconds
print(t)
start = dt.datetime.now()
A, B = np.arange(n)**2, np.arange(n)**3
C = A+B
t = (dt.datetime.now() - start).microseconds
print(t)

我们对列表进行了同样的操作，然后输出两种操作所需要的时间（微秒），可以看到numpy在效率上提高了两个数量级

训练模块的源代码：

import numpy as np
from PIL import Image
import os
import cv2
 
def train():
    path = 'D:/FaceData'
 
    # 创建opencv中的LBPH算法的人脸识别器
    recognizer = cv2.face.LBPHFaceRecognizer_create()
 
    # 依然是运用人脸识别分类器
    detector = cv2.CascadeClassifier('./haarcascade_frontalface_default.xml')
 
    def getImagesAndLabels(path):
        # os.path.join()函数：
        # 连接两个或更多的路径名组件
        # os.listdir() 方法
        # 用于返回指定的文件夹包含的文件或文件夹的名字的列表。这个列表以字母顺序排列
        imagePaths = [os.path.join(path, f)for f in os.listdir(path)]
 
        faceSamples = []
        ids = []
 
        # 遍历每一张拍到的图片
        for imagePath in imagePaths:
            # 打开图片，并转换成灰度图
            PIL_img = Image.open(imagePath).convert('L')
 
            # 将原图片的多维数组转为numpy的数组
            img_numpy = np.array(PIL_img, 'uint8')
 
            # id对应的值是当前用户的第几张照片
            id = int(os.path.split(imagePath)[-1].split('.')[1])
 
            # 检测人脸
            faces = detector.detectMultiScale(img_numpy)
            for(x, y, w, h) in faces:
                # 将人脸范围的numpy数组数据保存到列表中
                faceSamples.append(img_numpy[y : y + h, x : x + w])
                # 将id值保存到列表中
                ids.append(id)
            return faceSamples, ids
 
    faces, ids = getImagesAndLabels(path)
 
    # 对图片进行训练，将训练文件保存在指定路径
    recognizer.train(faces, np.array(ids))
    recognizer.write(r'face_trainer\trainer.yml')
    print('{0} faces trained.'.format(len(np.unique(ids))))
 
if __name__ == '__main__':
    train()