python opencv+svm人脸识别代码
时间: 2024-10-22 12:13:25 浏览: 40
毕业设计参考 - 基于树莓派、OpenCV及Python的人脸识别
在Python中,结合OpenCV(用于图像处理)和SVM(支持向量机,一种机器学习算法)进行人脸识别的基本步骤如下:
1. **数据准备**:
- 收集人脸样本图片并将其标记为人脸和非人脸。
- 使用OpenCV的`cv2.CascadeClassifier`加载预训练的人脸检测模型。
2. **图像预处理**:
- 使用OpenCV读取图像,调整大小,并灰度化以便于特征提取。
- 使用人脸检测模型找出图像中的人脸区域。
3. **特征提取**:
- 对检测到的人脸区域,通常使用PCA(主成分分析)或者LBP(局部二值模式)等技术提取特征。
- 将这些特征转换成SVM所需的数值形式。
4. **训练SVM模型**:
- 使用Scikit-learn库中的`SVC`或`LinearSVC`类创建SVM实例。
- 提取的数据集分为训练集和测试集,将特征作为输入,对应的标签(人脸/非人脸)作为目标变量。
- 训练模型,优化分类器参数如核函数、C值等。
5. **识别过程**:
- 从新图像中应用同样的预处理和特征提取步骤。
- 将提取的特征传递给训练好的SVM模型,预测该特征属于哪个人脸类别。
```python
import cv2
from sklearn import svm
from sklearn.model_selection import train_test_split
# 加载预训练的人脸检测模型
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
# 准备训练数据
faces, non_faces = [], []
load_face_from_dir('path_to_face_dataset', faces)
load_non_face_from_dir('path_to_non_face_dataset', non_faces)
# 数据预处理和特征提取
features, labels = extract_features(faces + non_faces, face_cascade)
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)
# 创建SVM分类器并训练
clf = svm.SVC(kernel='linear')
clf.fit(X_train, y_train)
# 新图像识别
new_image = ... # 加载新图像
gray = cv2.cvtColor(new_image, cv2.COLOR_BGR2GRAY)
faces_in_new_image = face_cascade.detectMultiScale(gray)
for (x, y, w, h) in faces_in_new_image:
features_of_face = extract_features([gray[y:y+h, x:x+w]], face_cascade)
prediction = clf.predict(features_of_face)
```
阅读全文