当前位置：首页 > news >正文

Opencv项目实战：07 人脸识别和考勤系统

news 来源：原创 2024/4/26 4:26:41

1、效果展示

人脸识别：

考勤效果：

2、项目介绍

我们将学习如何以高精度执行面部识别，首先简要介绍理论并学习基本实现。然后我们将创建一个考勤项目，该项目将使用网络摄像头检测人脸并在 Excel 表中实时记录考勤情况。

3、项目基础理论

（1）项目包的搭建

在此之前，你应该看过此篇，完成了对项目包的搭建(37条消息) Python3.7最简便的方式解决下载dlib和face_recognition的问题_夏天是冰红茶的博客-CSDN博客

此外，我们还需要安装一个包，按照步骤来就好了：

pip install face_recognition_models

（2）文件搭建

按照图示配置，Attendance.csv文件当中的内容只有（Name，Time），在Attendance_images文件当中，你可以添加你想添加的图片，最好是单个人物的图片，且以他们的英文名命名图片。

（3）basic.py代码展示与讲解

import cv2
import face_recognition

imgElon = face_recognition.load_image_file('ImagesBasic/Elon Musk.png')
imgElon = cv2.cvtColor(imgElon, cv2.COLOR_BGR2RGB)
imgTest = face_recognition.load_image_file('ImagesBasic/Elon test.png')
imgTest = cv2.cvtColor(imgTest, cv2.COLOR_BGR2RGB)

faceLoc = face_recognition.face_locations(imgElon)[0]
encodeElon = face_recognition.face_encodings(imgElon)[0]
cv2.rectangle(imgElon, (faceLoc[3], faceLoc[0]), (faceLoc[1], faceLoc[2]), (255, 0, 255), 2)

faceLocTest = face_recognition.face_locations(imgTest)[0]
encodeTest = face_recognition.face_encodings(imgTest)[0]
cv2.rectangle(imgTest, (faceLocTest[3], faceLocTest[0]), (faceLocTest[1], faceLocTest[2]), (255, 0, 255), 2)

results = face_recognition.compare_faces([encodeElon], encodeTest)
faceDis = face_recognition.face_distance([encodeElon], encodeTest)
print(results, faceDis)
cv2.putText(imgTest, f'{results} {round(faceDis[0], 2)}', (50, 50), cv2.FONT_HERSHEY_COMPLEX, 1, (0, 0, 255), 2)

cv2.imshow('Elon Musk', imgElon)
cv2.imshow('Elon Test', imgTest)
cv2.waitKey(0)

我们将会以马斯克先生的图片，作为标准测试，即'Elon Musk.png'。另外两张图片分别是比尔盖茨先生和马斯克先生。

今天的讲解会分为两部分，这是基础部分的讲解。

首先，导入这两张代码中的图片，我们用的是face_recognition中的load_image_file函数，它会将图像文件（.jpg、.png等）加载到numpy数组中，且默认的mode='RGB'格式，故在此有一步转化。
其次，faceLoc接受face_locations（）函数返回的图像中人脸的边界框数组，请看注1，取第一个数，则会等到一个元组，我们要以按css（上、右、下、左）顺序找到的面位置的元组列表。encodeElon（）函数是返回128维人脸编码列表（图像中每个人脸一个），为什么是128维？请看注2。在这之后，又是画框操作，我相信如果看过我前期的文章的人肯定是太熟悉了，按照注3，将坐标输入。
之后，compare_faces（）将面部编码列表与候选编码进行比较，以查看它们是否匹配，记住，只有第一个是列表，其将会返回真/假值列表；face_distance（）需要给定人脸编码列表，将其与已知人脸编码进行比较，并获得每个比较人脸的欧几里德距离。距离会告诉您这些面有多相似。再记一次，只有第一个是列表。前看注4。
最后，放置图框的信息在合适的位置，展示图片。

注1：[(44, 306, 152, 199)]

注2：机器学习很有趣！第4部分：现代人脸识别与深度学习 - 金融科技排名 (fintechranking.com)，作者是Adam Geitgey 。

注3：坐标图

注4：[True] [0.4559636]

（5）效果展示

修改此处代码，我们初步实现了人脸识别。

imgTest = face_recognition.load_image_file('ImagesBasic/Bill Gates.png')
imgTest = cv2.cvtColor(imgTest, cv2.COLOR_BGR2RGB)

4、项目的代码展示与讲解

import cv2
import numpy as np
import face_recognition
import os
from datetime import datetime

# from PIL import ImageGrab

path = 'Attendance_images'
images = []
classNames = []
myList = os.listdir(path)
print(myList)
for cl in myList:
    curImg = cv2.imread(f'{path}/{cl}')
    images.append(curImg)
    classNames.append(os.path.splitext(cl)[0])
print(classNames)


def findEncodings(images):
    encodeList = []
    for img in images:
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        encode = face_recognition.face_encodings(img)[0]
        encodeList.append(encode)
    return encodeList


def markAttendance(name):
    with open('Attendance_lists.csv', 'r+') as f:
        myDataList = f.readlines()
        nameList = []
        for line in myDataList:
            entry = line.split(',')
            nameList.append(entry[0])
        if name not in nameList:
            now = datetime.now()
            dtString = now.strftime('%H:%M:%S')
            f.writelines(f'\n{name},{dtString}')


#### FOR CAPTURING SCREEN RATHER THAN WEBCAM
# def captureScreen(bbox=(300,300,690+300,530+300)):
#     capScr = np.array(ImageGrab.grab(bbox))
#     capScr = cv2.cvtColor(capScr, cv2.COLOR_RGB2BGR)
#     return capScr

encodeListKnown = findEncodings(images)
print('Encoding Complete')

cap = cv2.VideoCapture(1)

while True:
    success, img = cap.read()
    # img = captureScreen()
    imgS = cv2.resize(img, (0, 0), None, 0.25, 0.25)
    imgS = cv2.cvtColor(imgS, cv2.COLOR_BGR2RGB)

    facesCurFrame = face_recognition.face_locations(imgS)
    encodesCurFrame = face_recognition.face_encodings(imgS, facesCurFrame)

    for encodeFace, faceLoc in zip(encodesCurFrame, facesCurFrame):
        matches = face_recognition.compare_faces(encodeListKnown, encodeFace)
        faceDis = face_recognition.face_distance(encodeListKnown, encodeFace)
        # print(faceDis)
        matchIndex = np.argmin(faceDis)

        if matches[matchIndex]:
            name = classNames[matchIndex].upper()
            # print(name)
            y1, x2, y2, x1 = faceLoc
            y1, x2, y2, x1 = y1 * 4, x2 * 4, y2 * 4, x1 * 4
            cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
            cv2.rectangle(img, (x1, y2 - 35), (x2, y2), (0, 255, 0), cv2.FILLED)
            cv2.putText(img, name, (x1 + 6, y2 - 6), cv2.FONT_HERSHEY_COMPLEX, 1, (255, 255, 255), 2)
            markAttendance(name)


    cv2.imshow('Webcam', img)
    cv2.waitKey(1)

这里面的一些操作，在我之前的博客中有讲过，且前面也讲的很清除了，所以我会略讲。

首先，读取Attendance_images文件当中图片的名字，注意它是带有.png，而我们的命名并不需要它，所以去了一个[0]。
其次，编写findEncodings(）用于储存标准图像的编码，按照列表的形式。markAttendance()函数用于读取Attendance_lists.csv的文件信息，并写入Excel，其中还可写入时间。
然后，剩余的一些，我相信参照上面的讲解应该没什么问题了。再说一下 y1, x2, y2, x1 = y1 * 4, x2 * 4, y2 * 4, x1 * 4，为什么要乘以4，还记得上面的resize吗，它并没有要求像素的改变，而是缩小的比例，正是0.25。