python opencv+svm人脸识别代码

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。

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)