欢迎访问我的GitHub

这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos

关于人脸识别

• 本文是《JavaCV人脸识别三部曲》的第一篇，在《JavaCV的摄像头实战之八：人脸检测》一文中，实现了检测人脸并用方框标注出来，但仅框出人脸作用不大，最好是识别出此人的身份，这样就能做很多事情了，例如签到、告警等，这就是接下来咱们要挑战的人脸识别

• 人脸识别涉及到两个步骤：训练和识别，接下来简单说明解释一下

• 先看什么是训练，如下图，用两位天王的六张照片来训练，一共两个类别，训练完成后得到模型文件faceRecognizer.xml：

• 训练成功后， 我们拿一张新的照片给模型去识别，得到的结果是训练时的类别，如此识别完成，我们已确定了新照片的身份：

• 下面用流程图将训练和识别说得更详细一些：

关于《JavaCV人脸识别三部曲》

《JavaCV人脸识别三部曲》一共三篇文章，内容如下：

1. 《视频中的人脸保存为图片》：本篇介绍如何通过JavaCV将摄像头中的每个人脸都检测出来，并且把每个人脸保存为图片，这种方法可以让我们快速获取大量人脸照片用于训练
2. 《训练》：讲述如何用分类好的照片去训练模型
3. 《识别和预览》：拿到训练好的模型，去识别视频中每一帧的人脸，把结果标注到图片上预览

• 整个三部曲也是《JavaCV的摄像头实战》系列的一部分，分别是《JavaCV的摄像头实战》系列的的第九、第十、第十一篇

本篇概览

• 本篇要做的事情就是把训练用的照片准备好
• 您可能会疑惑：我自己去找一些照片不就行了吗？去网上搜、去相册搜、去拍照不都可以吗？没错，只要找到您想识别的人脸即可，而本篇介绍的是另一种方法：借助摄像头检测人脸，然后将人脸大小的照片保存在硬盘，用这些照片来训练，实测多张照片训练处的模型在检测新照片时效果更好
• 具体做法如下：

1. 写个程序，对摄像头的照片做人脸检测，每个检测到的人脸，都作一张图片保存，注意不是摄像头视频帧的完整图片，而是检测出每张人脸，把这个人脸的矩形作为图片保存，而且保存的是灰度图片，不是彩色图片（训练和检测只需要灰度图片）
2. 然后找个没人的地方运行程序，一个人对着摄像头，开始……搔首弄姿，各种光线明暗、各种角度、各种表情都用上，作为图片保存

• 用这些图片训练出的模型，由于覆盖了各种亮度、角度、表情，最终的识别效果会更好
• 接下来我们就来写这段程序吧

源码下载

• 《JavaCV的摄像头实战》的完整源码可在GitHub下载到，地址和链接信息如下表所示(https://github.com/zq2599/blog_demos)：

名称

链接

备注

项目主页

https://github.com/zq2599/blog_demos

该项目在GitHub上的主页

git仓库地址(https)

https://github.com/zq2599/blog_demos.git

该项目源码的仓库地址，https协议

git仓库地址(ssh)

git@github.com:zq2599/blog_demos.git

该项目源码的仓库地址，ssh协议

• 这个git项目中有多个文件夹，本篇的源码在javacv-tutorials文件夹下，如下图红框所示：

• javacv-tutorials里面有多个子工程，《JavaCV的摄像头实战》系列的代码在simple-grab-push工程下：

编码：检测服务

• 先定义一个检测有关的接口DetectService.java，如下，主要是定义了三个方法init、convert、releaseOutputResource，其中init用于初始化检测服务，convert负责处理单个帧（本篇就是检测出人脸、把人脸照片保存在硬盘），releaseOutputResource在结束的时候被执行，用于释放资源，另外还有个静态方法buildGrayImage，很简单，生成灰度图片对应的Mat对象：

  package com.bolingcavalry.grabpush.extend;

  import com.bolingcavalry.grabpush.Constants;
  import org.bytedeco.javacv.Frame;
  import org.bytedeco.javacv.OpenCVFrameConverter;
  import org.bytedeco.opencv.opencv_core.; import org.bytedeco.opencv.opencv_objdetect.CascadeClassifier; import static org.bytedeco.opencv.global.opencv_core.CV_8UC1; import static org.bytedeco.opencv.global.opencv_imgcodecs.imwrite; import static org.bytedeco.opencv.global.opencv_imgproc.;

  /**

  • @author willzhao

  • @version 1.0

  • @description 检测工具的通用接口

  • @date 2021/12/5 10:57
    */
    public interface DetectService {

    /**

    • 根据传入的MAT构造相同尺寸的MAT，存放灰度图片用于以后的检测
    • @param src 原始图片的MAT对象
    • @return 相同尺寸的灰度图片的MAT对象
      */
      static Mat buildGrayImage(Mat src) {
      return new Mat(src.rows(), src.cols(), CV_8UC1);
      }

    /**

    • 初始化操作，例如模型下载
    • @throws Exception
      */
      void init() throws Exception;

    /**

    • 得到原始帧，做识别，添加框选
    • @param frame
    • @return
      */
      Frame convert(Frame frame);

    /**

    • 释放资源
      */
      void releaseOutputResource();
      }

• 然后就是DetectService的实现类DetectAndSaveService.java，完整代码如下，有几处要注意的地方稍后提到：

  package com.bolingcavalry.grabpush.extend;

  import com.bolingcavalry.grabpush.Constants;
  import lombok.extern.slf4j.Slf4j;
  import org.bytedeco.javacpp.Loader;
  import org.bytedeco.javacv.Frame;
  import org.bytedeco.javacv.OpenCVFrameConverter;
  import org.bytedeco.opencv.opencv_core.; import org.bytedeco.opencv.opencv_objdetect.CascadeClassifier; import java.io.File; import java.net.URL; import java.text.SimpleDateFormat; import java.util.Date; import java.util.concurrent.atomic.AtomicInteger; import static org.bytedeco.opencv.global.opencv_imgcodecs.imwrite; import static org.bytedeco.opencv.global.opencv_imgproc.;

  /**

  • @author willzhao

  • @version 1.0

  • @description 检测人脸并保存到硬盘的服务

  • @date 2021/12/3 8:09
    */
    @Slf4j
    public class DetectAndSaveService implements DetectService {

    /**

    • 每一帧原始图片的对象
      */
      private Mat grabbedImage = null;

    /**

    • 原始图片对应的灰度图片对象
      */
      private Mat grayImage = null;

    /**

    • 分类器
      */
      private CascadeClassifier classifier;

    /**

    • 转换器
      */
      private OpenCVFrameConverter.ToMat converter = new OpenCVFrameConverter.ToMat();

    /**

    • 模型文件的下载地址
      */
      private String modelFileUrl;

    /**

    • 存放人脸图片的位置
      */
      private String basePath;

    /**

    • 记录图片总数
      */
      private final AtomicInteger num = new AtomicInteger();

    /**

    • 训练的图片尺寸
      */
      Size size = new Size(Constants.RESIZE_WIDTH, Constants.RESIZE_HEIGHT);

    /**

    • 构造方法，在此指定模型文件的下载地址

    • @param modelFileUrl 人脸检测模型地址

    • @param basePath 检测出的人脸小图在硬盘上的存放地址
      */
      public DetectAndSaveService(String modelFileUrl, String basePath) {
      this.modelFileUrl = modelFileUrl;

      // 图片保存在硬盘的位置，注意文件名的固定前缀是当前的年月日时分秒
      this.basePath = basePath
      + new SimpleDateFormat("yyyyMMddHHmmss").format(new Date())
      + "-";
      }

    /**

    • 音频采样对象的初始化

    • @throws Exception
      */
      @Override
      public void init() throws Exception {
      // 下载模型文件
      URL url = new URL(modelFileUrl);

      File file = Loader.cacheResource(url);

      // 模型文件下载后的完整地址
      String classifierName = file.getAbsolutePath();

      // 根据模型文件实例化分类器
      classifier = new CascadeClassifier(classifierName);

      if (classifier == null) {
      log.error("Error loading classifier file [{}]", classifierName);
      System.exit(1);
      }
      }

    @Override
    public Frame convert(Frame frame) {
    // 由帧转为Mat
    grabbedImage = converter.convert(frame);

    // 灰度Mat，用于检测
    if (null==grayImage) {
        grayImage = DetectService.buildGrayImage(grabbedImage);
    }
    
    String filePath = basePath + num.incrementAndGet();
    
    // 进行人脸识别，根据结果做处理得到预览窗口显示的帧
    return detectAndSave(classifier, converter, frame, grabbedImage, grayImage, filePath , size);

    }

    /**

    • 程序结束前，释放人脸识别的资源
      */
      @Override
      public void releaseOutputResource() {
      if (null!=grabbedImage) {
      grabbedImage.release();
      }

      if (null!=grayImage) {
      grayImage.release();
      }

      if (null==classifier) {
      classifier.close();
      }
      }

    /**
    *

    • @param classifier 分类器

    • @param converter 转换工具

    • @param rawFrame 原始帧

    • @param grabbedImage 原始图片的Mat对象

    • @param grayImage 原始图片对应的灰度图片的Mat对象

    • @param basePath 图片的基本路径

    • @param size 训练时要求的图片大小

    • @return
      */
      static Frame detectAndSave(CascadeClassifier classifier,
      OpenCVFrameConverter.ToMat converter,
      Frame rawFrame,
      Mat grabbedImage,
      Mat grayImage,
      String basePath,
      Size size) {

      // 当前图片转为灰度图片
      cvtColor(grabbedImage, grayImage, CV_BGR2GRAY);

      // 存放检测结果的容器
      RectVector objects = new RectVector();

      // 开始检测
      classifier.detectMultiScale(grayImage, objects);

      // 检测结果总数
      long total = objects.size();

      // 如果没有检测到结果就提前返回
      if (total<1) {
      return rawFrame;
      }

      // 假设现在是一个人对着摄像头，因为此时检测的结果如果大于1，显然是检测有问题
      if (total>1) {
      return rawFrame;
      }

      Mat faceMat;

      // 如果有检测结果，就根据结果的数据构造矩形框，画在原图上
      // 前面的判断确保了此时只有一个人脸
      Rect r = objects.get(0);

      // 从完整的灰度图中取得一个矩形小图的Mat对象
      faceMat = new Mat(grayImage, r);

      // 训练时用的图片尺寸是固定的，因此这里要调整大小
      resize(faceMat, faceMat, size);

      // 图片的保存位置
      String imagePath = basePath + "." + Constants.IMG_TYPE;

      // 保存图片到硬盘
      imwrite(imagePath, faceMat);

      // 人脸的位置信息
      int x = r.x(), y = r.y(), w = r.width(), h = r.height();

      // 在人脸上画矩形
      rectangle(grabbedImage, new Point(x, y), new Point(x + w, y + h), Scalar.RED, 1, CV_AA, 0);

      // 释放检测结果资源
      objects.close();

      // 将标注过的图片转为帧，返回
      return converter.convert(grabbedImage);
      }
      }

• 上述代码有几处要注意：

1. detectAndSave方法中，当前照片检测出的人脸数如果大于1就提前返回不做处理了，这是因为假定运行程序的时候，摄像头前面只有一个人，所以如果检测出超过一张人脸，就认为当前照片的检测不准确，就不再处理当前照片了（实际使用中发现常有检测失误的情况，例如把一个矩形盒子检测为人脸），这个提前返回的逻辑，您可以根据自己的环境去调整
2. imwrite方法可以将Mat以图片的形式保存到硬盘
3. 保存文件到磁盘前调用了resize方法，将图片调整为164*164大小，这是因为后面的训练和检测统一使用该尺寸

• 现在核心代码已经写完，需要再写一些代码来使用DetectAndSaveService

编码：运行框架

• 《JavaCV的摄像头实战之一：基础》创建的simple-grab-push工程中已经准备好了父类AbstractCameraApplication，所以本篇继续使用该工程，创建子类实现那些抽象方法即可

• 编码前先回顾父类的基础结构，如下图，粗体是父类定义的各个方法，红色块都是需要子类来实现抽象方法，所以接下来，咱们以本地窗口预览为目标实现这三个红色方法即可：

• 新建文件PreviewCameraWithDetectAndSave.java，这是AbstractCameraApplication的子类，其代码很简单，接下来按上图顺序依次说明

• 先定义CanvasFrame类型的成员变量previewCanvas，这是展示视频帧的本地窗口：

  protected CanvasFrame previewCanvas

• 把前面创建的DetectService作为成员变量，后面检测的时候会用到：

  /**
   * 检测工具接口
   */
  private DetectService detectService;

• PreviewCameraWithDetectAndSave的构造方法，接受DetectService的实例：

  /**
   * 不同的检测工具，可以通过构造方法传入
   * @param detectService
   */
  public PreviewCameraWithDetectAndSave(DetectService detectService) {
      this.detectService = detectService;
  }

• 然后是初始化操作，可见是previewCanvas的实例化和参数设置：

  @Override
  protected void initOutput() throws Exception {
      previewCanvas = new CanvasFrame("摄像头预览，检测人脸并保存在硬盘", CanvasFrame.getDefaultGamma() / grabber.getGamma());
      previewCanvas.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);
      previewCanvas.setAlwaysOnTop(true);
  // 检测服务的初始化操作
  detectService.init();
  }

• 接下来是output方法，定义了拿到每一帧视频数据后做什么事情，这里调用了detectService.convert检测人脸并保存图片，然后在本地窗口显示：

  @Override
  protected void output(Frame frame) {
      // 原始帧先交给检测服务处理，这个处理包括物体检测，再将检测结果标注在原始图片上，
      // 然后转换为帧返回
      Frame detectedFrame = detectService.convert(frame);
      // 预览窗口上显示的帧是标注了检测结果的帧
      previewCanvas.showImage(detectedFrame);
  }

• 最后是处理视频的循环结束后，程序退出前要做的事情，先关闭本地窗口，再释放检测服务的资源：

  @Override
  protected void releaseOutputResource() {
      if (null!= previewCanvas) {
          previewCanvas.dispose();
      }
  // 检测工具也要释放资源
  detectService.releaseOutputResource();
  }

• 由于检测有些耗时，所以两帧之间的间隔时间要低于普通预览：

  @Override
  protected int getInterval() {
      return super.getInterval()/8;
  }

• 至此，功能已开发完成，再写上main方法，在实例化DetectAndSaveService的时候注意入参有两个，第一个是人脸检测模型的下载地址，第二个是人脸照片保存在本地的位置，还有action方法的参数1000表示预览持续时间是1000秒：

  public static void main(String[] args) {
      String modelFileUrl = "https://raw.github.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_alt.xml";
      new PreviewCameraWithDetectAndSave(
              new DetectAndSaveService(
                      modelFileUrl,
                      "E:\\temp\\202112\\18\\001\\man"))
              .action(1000);
  }

抓取第一个人的照片

• 运行main方法，然后请群众演员A登场，看着他一个人对着摄像头，开始……搔首弄姿，各种光线明暗、各种角度、各种表情都用上吧，哎，不忍直视…

• 由于开启了预览窗口，因此可以看到摄像头拍摄的效果，出现红框的矩形最终都会被保存为图片，请注意调整角度和表情，群众演员A好像很热衷于自拍，玩得不亦乐乎，好吧，让他放飞自我：

• 检测的图片到了一定数量就可以结束了，我这里保存了259张，如下图：

• 对以上照片，建议是用肉眼检查一遍所有照片，把不是人脸的全部删除，我发现了十多张不是人脸的照片，例如下面这张把脸上的一部分识别成了人脸，显然是有问题的，这样的照片就删除吧，不要用在训练了：

• 上述照片全部保存在E:\temp\202112\18\001\man目录下

抓取第二个人的照片

• 修改代码，把main方法中存放图片的目录改成E:\temp\202112\18\001\woman，然后再次运行程序，请群众演员B登场，恳求她像前一位群众演员那样一个人对着摄像头，开始……搔首弄姿，各种光线明暗、各种角度、各种表情都用上吧

• 于是，我们又顺利拿到第二位群众演员的大量人脸图片，记得要肉眼观察每一张照片，把不准确的都删除掉

• 至此，借助前面编写的程序，我们轻松拿到了两位群众演员的大量人脸照片，其中A的照片保存在E:\temp\202112\18\001\man，B的照片保存在E:\temp\202112\18\001\woman：

• 至此，本篇的任务已经完成，下一篇会用这些照片进行训练，为最终的识别做好准备；

欢迎关注博客园：程序员欣宸

学习路上，你不孤单，欣宸原创一路相伴…