python基于LBPH的人臉識別操作

基于LBPH的人臉識別操作原理

1、LBPH(LocalBinaryPatternHistogram)將檢測到的人臉分為小單元，并將其與模型中的對應單元進行比較，對每個區(qū)域的匹配值產(chǎn)生一個直方圖。

由于這種方法的靈活性，LBPH是唯一允許模型樣本人臉和檢測到的人臉在形狀、大小上可以不同的人臉識別算法。

2、調(diào)整后的區(qū)域中調(diào)用predict()函數(shù)

predict()函數(shù)返回兩個元素的數(shù)組：第一個元素是所識別個體的標簽，第二個是置信度評分。

3、所有的算法都有一個置信度評分閾值，置信度評分用來衡量所識別人臉與原模型的差距，0表示完全匹配?？赡苡袝r不想保留所有的識別結果，則需要進一步處理，因此可用自己的算法來估算識別的置信度評分。

4、LBPH一個好的識別參考值要低于50，任何高于80的參考值都會被認為是低的置信度評分。

基于LBPH的人臉識別操作實例

importcv2

#加載訓練數(shù)據(jù)集文件

#獲取人臉識別對象

recognizer=cv2.face.LBPHFaceRecognizer_create()

#讀取訓練數(shù)據(jù)

recognizer.read('trainer/trainer.yml')

#準備識別圖片

img=cv2.imread('6.pgm')

#將圖片灰度

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#加載特征數(shù)據(jù)

face_detector=cv2.CascadeClassifier('D:/Python/opencv/sources/data/haarcascades

/haarcascade_frontalface_default.xml')

#參數(shù)：scaleFactor(比例因子)：圖片縮放多少，minNeighbors:至少檢測多少次，

minSizemaxSize:當前檢測區(qū)域的最小面積

faces=face_detector.detectMultiScale(gray)#scaleFactor=1.01,minNeighbors=3,

maxSize=(33,33),minSize=(28,28)

#獲取臉部特征值

forx,y,w,hinfaces:

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))

#人臉識別

id,confidence=recognizer.predict(gray[y:y+h,x:x+w])

print('標簽id:',id,'置信評分：',confidence)

#顯示圖片

cv2.imshow('result',img)

cv2.waitKey(0)#一直顯示

cv2.destroyAllWindows()#釋放資源

以上就是python基于LBPH的人臉識別操作，希望能對大家有所幫助。更多Python學習教程請關注IT培訓機構:千鋒教育。