人脸识别系统：基于PCA降维的Python实现

这个代码示例展示了如何使用Python和OpenCV库构建一个简单的人脸识别系统，并使用PCA降维技术来提高识别效率。

代码解释：

1. 人脸检测：

   • detect_face 函数使用 cv2.CascadeClassifier 加载一个预训练的人脸检测模型，用于检测图像中的人脸。
   • 它会返回检测到的人脸图像和其在原始图像中的位置信息。

2. 数据准备：

   • prepare_training_data 函数读取训练图像文件夹中的数据，并使用人脸检测模型提取每个图像中的人脸。
   • 它将提取的人脸转换为一维向量并存储在一个列表中，同时记录每个人的标签。

3. PCA降维：

   • 使用 sklearn.decomposition.PCA 类，将人脸向量进行降维处理。这能够减少特征数量，提高识别速度，并降低对内存的需求。

4. 识别测试：

   • 代码使用摄像头获取实时图像，并进行人脸检测。
   • 将检测到的人脸进行PCA降维，并与训练数据中的每个人的特征进行比较。
   • 基于最小欧氏距离，代码识别出最匹配的人，并在图像上显示识别结果。

代码中的错误：

ValueError: not enough values to unpack (expected 4, got 1) 错误通常发生在 detect_face 函数中，当 face_cascade.detectMultiScale 函数无法检测到人脸，返回一个空列表时，就会发生这个错误。

解决办法：

1. 在 detect_face 函数中，检查 rect 列表是否为空，如果为空则返回 None 而不是尝试对其进行解包。

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

2. 在 prepare_training_data 函数中，也应该添加类似的检查，以确保检测到的人脸数据不为空。

改进建议：

1. 可以使用更强大的特征提取方法，例如深度学习模型，来提高人脸识别系统的准确率。
2. 可以使用数据库存储人脸数据和标签，以提高系统可扩展性。
3. 可以使用 GUI 界面，方便用户使用。

完整的代码：

import cv2
import os
import numpy as np
from sklearn.decomposition import PCA

def detect_face(img, face_cascade):    #返回脸的图像和数值信息
    #将测试图像转换为灰度图像，因为opencv人脸检测器需要灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
    #检测多尺度图像，返回值是一张脸部区域信息的列表（x,y,宽,高）（输入图像，每次图像尺寸减小的比例，至少检测次数，目标的最小尺寸）
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30), flags=cv2.CASCADE_SCALE_IMAGE)  #检测人脸
    # 如果未检测到面部，则返回原始图像
    if (len(faces) == 0):
        return None, None
    #假设多张脸
    for (x, y, w, h) in faces:
        # 返回图像的正面部分
        # cv2.imshow('face', img[y:y + w, x:x + h, :])
        face = gray[y:y + w, x:x + h].astype(np.float32)  # 数值转换
        face = cv2.resize(face, (150,150))
        return face, faces


def prepare_training_data(data_folder_path):
    # 获取数据文件夹中的目录（每个主题的一个目录）
    face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_alt.xml')   #训练一组数据
    dirs = os.listdir(data_folder_path) #返回data_folder_path目录下的文件夹和文件
    # 两个列表分别保存所有的脸部和标签
    faces = []
    labels = []
    # 浏览每个目录并访问其中的图像
    for dir_name in dirs:
        # dir_name(str类型)即标签
        label = int(dir_name)
        # 建立包含当前主题主题图像的目录路径
        subject_dir_path = data_folder_path + '/' + dir_name
        # 获取给定主题目录内的图像名称
        subject_images_names = os.listdir(subject_dir_path)

        # 浏览每张图片并检测脸部，然后将脸部信息添加到脸部列表faces[]
        for image_name in subject_images_names:
            # 建立图像路径
            image_path = subject_dir_path + '/' + image_name
            # 读取图像
            image = cv2.imread(image_path)
            #确保图像正确加载
            if image is None:
                continue
            # 显示图像0.1s
            cv2.imshow('Training on image...', image)
            cv2.waitKey(100)

            # 检测脸部
            gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
            # 检测多尺度图像，返回值是一张脸部区域信息的列表（x,y,宽,高）（输入图像，每次图像尺寸减小的比例，至少检测次数，目标的最小尺寸）
            rect = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30),flags=cv2.CASCADE_SCALE_IMAGE)  # 检测人脸
            # 假设多张脸
            for (x, y, w, h) in rect:
                # 返回图像的正面部分
                # cv2.imshow('face', img[y:y + w, x:x + h, :])
                face = gray[y:y + w, x:x + h].astype(np.float32)  # 数值转换
                face = cv2.resize(face, (150, 150))
                # 我们忽略未检测到的脸部
                if face is not None:
                   #将脸添加到脸部列表并添加相应的标签
                   #将每张面部图像转换为一维向量并添加到列表中
                   face_vector = np.reshape(face,(1,-1))[0]
                   print(face.shape)
                   faces.append(face_vector)
                   labels.append(label)
    #将faces和labels转换为numpy数组，以备后续PCA操作
    faces= np.array(faces)
    labels= np.array(labels)

    return faces, labels

cap = cv2.VideoCapture(0)
stop = False
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')


if __name__ == '__main__':
    pca = PCA(n_components=60, svd_solver='full')
    faces, labels = prepare_training_data('raw1')
    # 进行PCA降维处理，提取主要特征
    faces = pca.fit_transform(faces)
    face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_alt.xml')
    nofacenum = 0
    error = 0
    right = 0

while not stop:
    success, img = cap.read()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    face, rect = detect_face(img, face_cascade)
    if not rect is None:
        # 检测人脸
        (x, y, w, h) = rect
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
        c = cv2.waitKey(100)

        subjects = ['xu', 'LU','ZHOU']
        # 生成图像的副本，这样就能保留原始图像
        img1 = img.copy()
        # 将测试图像转换为灰度图像，因为opencv人脸检测器需要灰度图像
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        # 检测多尺度图像，返回值是一张脸部区域信息的列表（x,y,宽,高）
        rect = face_cascade.detectMultiScale(img, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30),flags=cv2.CASCADE_SCALE_IMAGE)
        # 如果未检测到面部
        if len(rect) == 0:
            txt = 'no face!'
            cv2.putText(img1, txt, (10, 20), cv2.FONT_HERSHEY_COMPLEX, 1, (128, 128, 0), 2)
            cv2.imshow('test', img1)
            nofacenum += 1
            print('nofacenum:%d' % nofacenum)
            cv2.waitKey()

        if not rect is None:
            for (x, y, w, h) in rect:
                face = gray[y:y + w, x:x + h].astype(np.float32)  # 数值转换
                face = cv2.resize(face, (150, 150))
                # face_vector = np.reshape(face,(1,-1))[0]#转换成一维向量
                # 如果传入了PCA模型，则将人脸图像降维

                face_pca = pca.transform(face.reshape(1, -1))
                # face_pca = np.reshape(face_pca,(1,-1))[0]
                cv2.rectangle(img1, (x, y), (x + w, y + h), (0, 255, 0), 2)  # 画出矩形框
                min_d = 1000000000000
                c = -1
                for i, f in enumerate(faces):  # i,f是训练数据的信息，遍历训练数据
                    d = ((face_pca - f) ** 2).sum()  # 计算test和训练图片的欧氏距离
                    if d < min_d:
                        min_d = d
                        c = labels[i]  # 获得最小欧式距离，即最近邻
                cv2.putText(img1, subjects[c], (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (128, 128, 0), 2)
                cv2.imshow('test', img1)

    # 0.81