python 读取当前 face 文件夹下人脸图片，并进行人脸识别程序

你好，这个问题是关于人脸识别的技术问题，我可以帮助你回答。可以使用Python中的开源人脸识别库OpenCV，它可以用于检测、定位和识别人脸。具体操作步骤是：

1. 安装OpenCV库和Python的相关包。
2. 加载人脸检测模型。
3. 读取当前face文件夹下的人脸图片。
4. 对人脸进行检测和识别。
5. 输出人脸识别结果。

希望能够帮到你。

相关问题

用python框出文件夹中的所有图片中的人脸并且保存

要实现这个需求，需要用到前面提到的人脸检测和人脸识别技术，以及Python的文件操作模块os和glob。

示例代码如下：

import os
import glob
import dlib
import cv2

detector = dlib.get_frontal_face_detector()    # 初始化人脸检测器
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")    # 初始化人脸特征点检测器

# 遍历指定文件夹下的所有jpg和png格式图片
for file_path in glob.glob("image_folder/*.jpg") + glob.glob("image_folder/*.png"):
    # 读取图片
    img = cv2.imread(file_path)

    # 将图片转为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 人脸检测
    faces = detector(gray)

    # 循环处理每张人脸
    for i, face in enumerate(faces):
        # 人脸识别
        shape = predictor(gray, face)

        # 提取人脸区域
        left = face.left()
        top = face.top()
        right = face.right()
        bottom = face.bottom()
        face_img = img[top:bottom, left:right]

        # 保存人脸图片
        new_file_path = f"{os.path.splitext(file_path)[0]}_face_{i}.jpg"
        cv2.imwrite(new_file_path, face_img)

        # 在原图中框出人脸区域
        cv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0), 2)

    # 保存带有人脸框的原图
    new_file_path = f"{os.path.splitext(file_path)[0]}_with_faces.jpg"
    cv2.imwrite(new_file_path, img)

这段代码可以遍历指定文件夹下的所有jpg和png格式图片，检测其中的人脸，将每张人脸区域保存为单独的图片，并在原图中框出人脸区域。最终结果是在原文件夹中生成新的图片文件，文件名包含有人脸区域的信息。

需要注意的是，这里使用了os模块来获取文件路径和新文件名，以及glob模块来遍历文件夹中的所有图片。如果要实现更复杂的功能，还需要根据具体需求进行修改。

python人脸识别及人脸录入代码

Python人脸识别及人脸录入是非常重要的技能，因为随着人工智能的发展，人脸识别及人脸录入已经成为普遍的需求。在这个技能背后，有很多算法和代码，需要我们仔细学习和深入理解，才能真正掌握这一技能。

Python人脸识别是基于OpenCV库的，OpenCV也是一个强大的计算机视觉库。在进行人脸识别的时候，首先需要训练模型，也就是收集一些有标签的人脸图像，建立一个人脸数据库。建立完数据库后，可以使用OpenCV库来进行人脸识别，具体代码如下：

import cv2

# 加载人脸分类器
face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

# 加载面部识别模型
model = cv2.face.LBPHFaceRecognizer_create()
model.read("model.xml")

# 加载摄像头
cap = cv2.VideoCapture(0)

while True:
    ret, img = cap.read() # 读取摄像头数据
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为灰度图像

    # 在输入帧上应用分类器
    faces = face_detector.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5)

    # 对于每个检测到的脸，进行识别
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2) #画矩形
        roi_gray = gray[y:y+h, x:x+w] # 截取脸部图像
        roi_gray = cv2.resize(roi_gray, (200, 200), interpolation=cv2.INTER_AREA)
        label, confidence = model.predict(roi_gray) # 预测
        print(label) # 打印标签

    # 显示视频流
    cv2.imshow('video', img)
    if cv2.waitKey(1) & 0xff == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

这段代码首先加载了人脸分类器和面部识别模型，然后通过打开摄像头来实时获取视频流，并检测出视频流中的人脸。对于每个检测到的脸，通过模型来进行识别，识别出人的标签并打印出来。最后，将视频流展示出来。

除了人脸识别，还有人脸录入这一重要的技能。人脸录入是将人脸图像存入人脸数据库的过程，在进行人脸识别之前需要先进行录入。以下是人脸录入的代码：

import cv2
import os

# 名字和 ID
name = input("请输入你的名字： ")
Id = input("请输入你的工号： ")

# 加载人脸分类器
face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

# 加载摄像头
cap = cv2.VideoCapture(0)

# 计数器
c = 0

while True:
    ret, img = cap.read() # 读取摄像头数据
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为灰度图像

    # 在输入帧上应用分类器
    faces = face_detector.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5)

    # 对于每个检测到的脸，进行处理
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2) #画矩形
        roi_gray = gray[y:y+h, x:x+w] # 截取脸部图像
        roi_gray = cv2.resize(roi_gray, (200, 200), interpolation=cv2.INTER_AREA)

        # 写入文件
        cv2.imwrite("dataset/User." + str(Id) + '.' + str(c) + ".jpg", roi_gray)
        cv2.imshow('image', img)

        c += 1

    # 终止录入
    if cv2.waitKey(1) & 0xff == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

这段代码中首先让用户输入名字和工号，然后通过加载人脸分类器来检测视频流中的人脸。对于每个检测到的脸，通过截取脸部图像并进行缩放，将其存储到dataset目录下，文件命名为“User.工号.编号.jpg”。在录入脸部图像时，需要避免保存重复的图像。如果保存的图片过多，可以自行对图片进行筛选，删除质量比较低的图片。通过以上代码的实现，人脸录入的过程就完成了。

总结一下，Python人脸识别及人脸录入是极其重要的技能，在很多场景中都有应用。在学习和理解这一技能的过程中，需要掌握OpenCV库的基本知识，并学习常见的算法，才能够更好地应用这一技能。