python opencv+svm人脸识别代码步骤

在Python中，结合OpenCV (计算机视觉库) 和Scikit-learn库（尤其是SVM - 支持向量机用于分类）进行人脸识别的基本步骤如下：

1. **数据收集和预处理**：
- 收集人脸样本图像，并将其标记对应的身份信息。
- 对图片进行预处理，如灰度化、缩放至固定尺寸、归一化等。

2. **特征提取**：
- 使用OpenCV提供的`cv2.CascadeClassifier`来检测人脸，它基于Haar特征进行快速定位。
- 从每个检测到的人脸区域提取特征，常用的是Local Binary Patterns (LBP) 或者Histogram of Oriented Gradients (HOG)。

3. **训练 SVM**：
- 将提取的特征作为输入，对应的标签（身份标识）作为输出。
- 使用`sklearn.svm.SVC()`创建SVM模型，选择合适的核函数（例如线性、多项式或径向基函数RBF）。
- 利用`fit()`方法对训练数据进行拟合。

4. **人脸验证或识别**：
- 针对新的图片，首先通过OpenCV进行人脸检测。
- 提取特征并与训练好的SVM模型进行预测，预测出最有可能的人脸身份。

5. **评估性能**：
- 使用测试数据集评估模型的准确率，可以计算精度、召回率或F1分数。

# 示例代码片段
import cv2
from sklearn import svm

# 初始化人脸检测器和SVM模型
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
model = svm.SVC(kernel='linear')

# 加载训练数据和标签
faces_data, labels = load_train_data()  # 自定义加载函数

# 提取特征并训练模型
features = extract_features(faces_data)
model.fit(features, labels)

# 测试阶段
img = cv2.imread('test_image.jpg')
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray_img)
for (x, y, w, h) in faces:
    face_roi = gray_img[y:y+h, x:x+w]
    features_test = extract_features(face_roi)
    prediction = model.predict(features_test)
    print("Predicted identity:", prediction)