写一个基于Python_opencv人脸录入、识别系统

好的，我可以为您提供一个基于 Python 和 OpenCV 的人脸录入和识别系统。以下是基本的步骤：

1. 安装 OpenCV 库和其他依赖库，例如 numpy 和 argparse。

2. 准备训练数据集。这里我们可以使用已经标记好的数据集，例如 LFW 数据集，或者自己标记一些人脸数据集。

3. 训练人脸识别模型。我们可以使用 OpenCV 自带的人脸识别算法 LBPH（Local Binary Patterns Histograms）或者使用其他深度学习算法，例如基于卷积神经网络（CNN）的人脸识别模型。

4. 实现人脸录入功能。这里我们可以使用 OpenCV 的人脸检测算法来检测人脸，并使用摄像头拍摄人脸图像，然后将图像保存到本地。

5. 实现人脸识别功能。我们可以使用 OpenCV 的人脸识别算法来识别人脸，并将人脸与已知的人脸数据进行比对，从而确定识别结果。

下面是一些代码参考：

import cv2
import numpy as np
import argparse

# 训练模型
def train_model(training_data):
    # 加载数据
    faces = []
    labels = []
    for label, folder in enumerate(training_data):
        for image_path in folder.glob("*.jpg"):
            image = cv2.imread(str(image_path), cv2.IMREAD_GRAYSCALE)
            faces.append(image)
            labels.append(label)

    # 训练模型
    face_recognizer = cv2.face.LBPHFaceRecognizer_create()
    face_recognizer.train(faces, np.array(labels))

    return face_recognizer

# 检测人脸
def detect_face(image, face_cascade):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

    if len(faces) == 0:
        return None, None

    (x, y, w, h) = faces[0]
    return gray[y:y+w, x:x+h], faces[0]

# 识别人脸
def recognize_face(image, face_recognizer, face_cascade):
    face, rect = detect_face(image, face_cascade)

    if face is None:
        return None

    label, confidence = face_recognizer.predict(face)
    return label, confidence

# 录入人脸
def add_face(image, face_cascade, output_folder, label):
    face, rect = detect_face(image, face_cascade)

    if face is None:
        return False

    output_path = output_folder / f"{label}_{len(list(output_folder.glob('*.jpg'))) + 1}.jpg"
    cv2.imwrite(str(output_path), face)

    return True

# 主函数
def main():
    parser = argparse.ArgumentParser(description="Face Recognition System")
    parser.add_argument("--train", action="store_true", help="Train the face recognition model")
    parser.add_argument("--input", type=str, help="Input image or video path")
    parser.add_argument("--output", type=str, help="Output image or video path")
    parser.add_argument("--add", type=str, help="Add a new face to the dataset")
    parser.add_argument("--label", type=str, help="Label of the new face")
    args = parser.parse_args()

    if args.train:
        # 训练模型
        training_data = [Path("data/face_recognition/person1"), Path("data/face_recognition/person2")]
        face_recognizer = train_model(training_data)
        face_recognizer.save("data/face_recognition/model.xml")

    elif args.add:
        # 录入新人脸
        image = cv2.imread(args.add)
        face_cascade = cv2.CascadeClassifier("data/haarcascade_frontalface_default.xml")
        output_folder = Path("data/face_recognition/person3")
        add_face(image, face_cascade, output_folder, args.label)

    else:
        # 识别人脸
        face_recognizer = cv2.face.LBPHFaceRecognizer_create()
        face_recognizer.read("data/face_recognition/model.xml")
        face_cascade = cv2.CascadeClassifier("data/haarcascade_frontalface_default.xml")

        if args.input:
            # 处理图片
            image = cv2.imread(args.input)
            label, confidence = recognize_face(image, face_recognizer, face_cascade)
            print(f"Recognized label: {label}, confidence: {confidence}")

            if args.output:
                cv2.imwrite(args.output, image)

        else:
            # 处理视频
            cap = cv2.VideoCapture(0)

            while True:
                ret, frame = cap.read()
                label, confidence = recognize_face(frame, face_recognizer, face_cascade)
                print(f"Recognized label: {label}, confidence: {confidence}")

                if args.output:
                    cv2.imwrite(args.output, frame)

                cv2.imshow("Face Recognition", frame)

                if cv2.waitKey(1) & 0xFF == ord('q'):
                    break

            cap.release()
            cv2.destroyAllWindows()

if __name__ == "__main__":
    main()

您可以根据需要调整代码并添加更多功能。