上回书说到了对人脸的检测，这回就开始正式进入人脸识别的阶段。

关于人脸识别，目前有很多经典的算法，当我大学时代，我的老师给我推荐的第一个算法是特征脸法，原理是先将图像灰度化，然后将图像每行首尾相接拉成一个列向量，接下来为了降低运算量要用PCA降维， 最后进分类器分类，可以使用KNN、SVM、神经网络等等，甚至可以用最简单的欧氏距离来度量每个列向量之间的相似度。OpenCV中也提供了相应的EigenFaceRecognizer库来实现该算法，除此之外还有FisherFaceRecognizer、LBPHFaceRecognizer以及最近几年兴起的卷积神经网络等。

卷积神经网络（CNN）的前级包含了卷积和池化操作，可以实现图片的特征提取和降维，最近几年由于计算机算力的提升，很多人都开始转向这个方向，所以我这次打算使用它来试试效果。

老规矩，先配置下编程的环境：

• 系统：windows / linux
• 解释器：python 3.6
• 依赖库：numpy、opencv-python 3、tensorflow、keras、scikit-learn

pip3 install numpypip3 install opencv-pythonpip3 install keraspip3 install scikit-learnpip3 install tensorflow

如果手中有一块支持Cuda加速的GPU建议安装GPU版本：

pip3 install tensorflow-gpu

上次文章有位读者评论说：

所以，为了照顾初学者，这里简单介绍下Anaconda的安装方法，Anaconda是一个开源的Python发行版本，其包含了Conda、Python等180多个科学包及其依赖项。因为包含了大量的科学包，Anaconda 的下载文件比较大，所以有python包安装基础的人还是建议通过pip来安装所需的依赖。

首先进入Anaconda下载页（https://pile(loss='categorical_crossentropy',optimizer=sgd_optimizer,metrics=['accuracy'])

开始训练，训练100次（epochs），每次训练分几个批次，每批（batch_size）20个，shuffle用来打乱样本顺序：

batch_size=20#每批训练数据量的大小epochs=100face_recognition_model.fit(train_input,train_output,epochs=epochs,batch_size=batch_size,shuffle=True,validation_data=(valid_input,valid_output))

现在离开座位，找一个西瓜，慢慢吃，一定要慢，因为训练的时间着实太长，配上薯片会更好。

训练完成后在测试集上评估结果并保存模型供以后加载使用：

print(face_recognition_model.evaluate(valid_input,valid_output,verbose=0))MODEL_PATH='face_model.h5'face_recognition_model.save(MODEL_PATH)

识别：

要开始写在识别时正式运行的程序了：

import cv2import numpy as npimport kerasfrom keras.models import load_model

加载级联分类器模型：

CASE_PATH = "haarcascade_frontalface_default.xml"face_cascade = cv2.CascadeClassifier(CASE_PATH)

加载卷积神经网络模型：

face_recognition_model = keras.Sequential()MODEL_PATH = 'face_model.h5'face_recognition_model = load_model(MODEL_PATH)

打开摄像头，获取图片并灰度化：

cap = cv2.VideoCapture(0) ret, image = cap.read()gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

人脸检测：

faces = faceCascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5, minSize=(30, 30),)

根据检测到的坐标及尺寸裁剪、无形变resize、并送入模型运算，得到结果后在人脸上打上矩形框并在矩形框上方写上识别结果：

for(x,y,width,height)infaces:img=image[y:y+height,x:x+width]img=resize_without_deformation(img) img=img.reshape((1,100,100,3))img=np.asarray(img,dtype=np.float32)img/=255.0 result=face_recognition_model.predict_classes(img) cv2.rectangle(image,(x,y),(x+width,y+height),(0,255,0),2)font=cv2.FONT_HERSHEY_SIMPLEXifresult[0]==15:cv2.putText(image,'kangChi',(x,y-2),font,0.7,(0,255,0),2)else:cv2.putText(image,'No.%d'%result[0],(x,y-2),font,0.7,(0,255,0),2)cv2.imshow('',image)cv2.waitKey(0)

看效果：

当然了，识别的效果还是取决于训练好的模型的质量，我差不多用了吃2/3个西瓜的时间来训练，还是有一些误识别的情况出现：

总结了下这次的人脸识别系统，感觉人脸检测效果还需要改进，识别准确度也有待提升，之后要多收集各个角度的照片样本和改进网络参数。

到此这篇关于使用卷积神经网络（CNN）做人脸识别的示例代码的文章就介绍到这了,更多相关卷积神经网络CNN 人脸识别内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持