該項目將包括三個階段：

人臉檢測和數(shù)據(jù)收集

訓(xùn)練識別器

面部識別

在深入研究代碼之前，讓我們將電磁鎖與Raspberry Pi連接。

電路圖和說明

Raspberry Pi的GPIO引腳可以提供3.3V的輸出，但電磁鎖需要7-12V才能工作。因此，我們需要使用外部電源和繼電器來操作鎖定。

將繼電器模塊的VCC和GND連接到Raspberry Pi的5V和GND。然后將繼電器模塊的信號引腳連接到Raspberry Pi的GPIO 26.

在繼電器模塊的另一側(cè)，將負極直流電源連接到電磁門鎖的負極。將來自直流電源的正極連接到繼電器模塊的公共端，然后將常開模塊從繼電器模塊連接到電磁門鎖的正極。

面部識別電路圖。

人臉檢測的數(shù)據(jù)收集

第一個任務(wù)是收集我們要訓(xùn)練分類器的數(shù)據(jù)。我們將使用OpenCV預(yù)訓(xùn)練分類器編寫一個python代碼，每個人需要30個面。

OpenCV已經(jīng)包含許多面部，眼睛，微笑等預(yù)先訓(xùn)練的分類器。我們要去的分類器使用將檢測面部，并在GitHub上提供級聯(lián)文件。

將此文件保存在工作目錄中“haarcascade_frontalface_default.xml”。

代碼演練

現(xiàn)在讓我們編寫代碼。 首先，我們導(dǎo)入所需的包。

import cv2

from picamera.array import PiRGBArray

from picamera import PiCamera

import numpy as np

import os

import sys

然后我們初始化相機對象，這將允許我們使用Raspberry Pi相機。我們將分辨率設(shè)置為（640，480），幀速率設(shè)置為30 fps。

camera = PiCamera（）

camera.resolution = （640， 480）

camera.framerate = 30

PiRGBArray（） 為我們提供了一個來自未編碼RGB捕獲的三維RGB數(shù)組（行，列，顏色）。 PiRGBArray的優(yōu)勢在于它能夠?qū)aspberry Pi相機中的幀讀取為NumPy陣列，使其與OpenCV兼容。它避免了從JPEG格式到OpenCV格式的轉(zhuǎn)換，這會減慢我們的過程。

它需要兩個參數(shù)：

相機對象

分辨率

rawCapture = PiRGBArray（camera， size=（640， 480））

加載用于檢測面的級聯(lián)文件。

face_cascade = cv2.CascadeClassifier（“haarcascade_frontalface_default.xml”）;

接下來，我們要求用戶輸入名稱。如果已存在具有該名稱的目錄，則它將以“名稱已存在”進行響應(yīng)并退出代碼。如果沒有此名稱的目錄，它將創(chuàng)建目錄，圖像將以此名稱保存。

name = input（“What‘s his/her Name？ ”）

dirName = “。/images/” + name

print（dirName）

if not os.path.exists（dirName）：

os.makedirs（dirName）

print（“Directory Created”）

else：

print（“Name already exists”）

sys.exit（）

為圖像創(chuàng)建目錄。

之后，我們使用 capture_continuous 從Raspberry Pi相機模塊開始讀取幀的功能。

c apture_continuous函數(shù)有三個參數(shù)：

rawCapture

我們想要讀取每個幀的格式，因為OpenCV期望圖像采用BGR格式而不是RGB格式，因此我們將格式指定為BGR。

use_video_port布爾值，使其為true意味著我們將流視為視頻。

for frame in camera.capture_continuous（rawCapture， format=“bgr”， use_video_port=True）：

一旦我們有了f rame，我們可以通過.array屬性訪問原始的NumPy數(shù)組。訪問后，我們將此幀轉(zhuǎn)換為灰度。

frame = frame.array

gray = cv2.cvtColor（frame， cv2.COLOR_BGR2GRAY）

然后我們調(diào)用分類器函數(shù)來檢測幀中的面。我們傳遞的第一個參數(shù)是灰度圖像。第二個參數(shù)是指定在每個圖像比例下圖像尺寸減少多少的參數(shù)。第三個參數(shù)是一個參數(shù)，指定每個候選矩形應(yīng)保留多少個鄰居。數(shù)字越大，誤報率越低。

faces = faceCascade.detectMultiScale（gray， scaleFactor = 1.5， minNeighbors = 5）

上面的函數(shù)給出了面部區(qū)域的矩形坐標。我們使用這些坐標從圖像中提取面部并將其保存在我們在開始時創(chuàng)建的目錄中。之后，我們展示了裁剪的面部并在原始框架上創(chuàng)建了一個矩形。

代碼將收集30張圖像。

for （x， y， w， h） in faces：

roiGray = gray［y:y+h， x:x+w］

fileName = dirName + “/” + name + str（count） + “.jpg”

cv2.imwrite（fileName， roiGray）

cv2.imshow（“face”， roiGray）

cv2.rectangle（frame， （x， y）， （x+w， y+h）， （0， 255， 0）， 2）

count += 1

然后我們在上面顯示原始幀輸出窗口。 cv2.waitkey（）是一個鍵盤綁定函數(shù)。它等待任何鍵盤事件的指定毫秒。它需要一個參數(shù)，這個參數(shù)是以毫秒為單位的時間。如果在該時間內(nèi)按下該鍵，則程序?qū)⒗^續(xù)。傳遞0表示它將無限期地等待一個鍵。

cv2.imshow（’frame‘， frame）

key = cv2.waitKey（1）

然后我們通過在捕獲之間調(diào)用truncate（0）來清除流以準備下一幀。

rawCapture.truncate（0）

人臉檢測和數(shù)據(jù)收集工作現(xiàn)已完成。我們應(yīng)該在新創(chuàng)建的目錄中有30個圖像。

我們的30張圖片保存在新創(chuàng)建的目錄中。

人臉檢測完整代碼

import cv2

from picamera.array import PiRGBArray

from picamera import PiCamera

import numpy as np

import os

import sys

camera = PiCamera（）

camera.resolution = （640， 480）

camera.framerate = 30

rawCapture = PiRGBArray（camera， size=（640， 480））

faceCascade = cv2.CascadeClassifier（“haarcascade_frontalface_default.xml”）

name = input（“What’s his/her Name？ ”）

dirName = “。/images/” + name

print（dirName）

if not os.path.exists（dirName）：

os.makedirs（dirName）

print（“Directory Created”）

else：

print（“Name already exists”）

sys.exit（）

count = 1

for frame in camera.capture_continuous（rawCapture， format=“bgr”， use_video_port=True）：

if count 》 30：

break

frame = frame.array

gray = cv2.cvtColor（frame， cv2.COLOR_BGR2GRAY）

faces = faceCascade.detectMultiScale（gray， scaleFactor = 1.5， minNeighbors = 5）

for （x， y， w， h） in faces：

roiGray = gray［y:y+h， x:x+w］

fileName = dirName + “/” + name + str（count） + “.jpg”

cv2.imwrite（fileName， roiGray）

cv2.imshow（“face”， roiGray）

cv2.rectangle（frame， （x， y）， （x+w， y+h）， （0， 255， 0）， 2）

count += 1

cv2.imshow（‘frame’， frame）

key = cv2.waitKey（1）

rawCapture.truncate（0）

if key == 27：

break

cv2.destroyAllWindows（）

訓(xùn)練識別器

現(xiàn)在我們可以根據(jù)上一步收集的數(shù)據(jù)訓(xùn)練識別器。

我們將使用LBPH （LOCAL BINARY PATTERNS HISTOGRAMS）面部識別器，包含在OpenCV包中。我們將它加載到以下行：

recognizer = cv2.face.LBPHFaceRecognizer_create（）

我們獲取當前工作目錄的路徑，然后移動到圖像目錄所在的目錄。

baseDir = os.path.dirname（os.path.abspath（__file__））

imageDir = os.path.join（baseDir， “images”）

《然后我們進入每個圖像目錄并查找圖像。如果圖像存在，我們將其轉(zhuǎn)換為NumPy數(shù)組。

for root， dirs， files in os.walk（imageDir）：

print（root， dirs， files）

for file in files：

print（file）

if file.endswith（“png”） or file.endswith（“jpg”）：

path = os.path.join（root， file）

label = os.path.basename（root）

print（label）

if not label in labelIds：

labelIds［label］ = currentId

print（labelIds）

currentId += 1

id_ = labelIds［label］

pilImage = Image.open（path）.convert（“L”）

imageArray = np.array（pilImage， “uint8”）

之后，我們再次進行面部檢測，以確保我們有正確的圖像，然后我們準備訓(xùn)練數(shù)據(jù)。

faces = faceCascade.detectMultiScale（imageArray， scaleFactor=1.1， minNeighbors=5）

for （x， y， w， h） in faces：

roi = imageArray［y:y+h， x:x+w］

xTrain.append（roi）

yLabels.append（id_）

存儲包含目錄名稱和標簽ID的字典。

with open（“l(fā)abels”， “wb”） as f：

pickle.dump（labelIds， f）

f.close（）

現(xiàn)在訓(xùn)練數(shù)據(jù)并保存文件。

recognizer.train（xTrain， np.array（yLabels））

recognizer.save（“trainer.yml”）

此代碼創(chuàng)建一個trainer.yml并標記我們在識別代碼中使用的文件。

我們在識別代碼中使用的trainer.yml文件。

培訓(xùn)識別器的完整代碼

import os

import numpy as np

from PIL import Image

import cv2

import pickle

faceCascade = cv2.CascadeClassifier（“haarcascade_frontalface_default.xml”）

recognizer = cv2.face.LBPHFaceRecognizer_create（）

baseDir = os.path.dirname（os.path.abspath（__file__））

imageDir = os.path.join（baseDir， “images”）

currentId = 1

labelIds = {}

yLabels = ［］

xTrain = ［］

for root， dirs， files in os.walk（imageDir）：

print（root， dirs， files）

for file in files：

print（file）

if file.endswith（“png”） or file.endswith（“jpg”）：

path = os.path.join（root， file）

label = os.path.basename（root）

print（label）

if not label in labelIds：

labelIds［label］ = currentId

print（labelIds）

currentId += 1

id_ = labelIds［label］

pilImage = Image.open（path）.convert（“L”）

imageArray = np.array（pilImage， “uint8”）

faces = faceCascade.detectMultiScale（imageArray， scaleFactor=1.1， minNeighbors=5）

for （x， y， w， h） in faces：

roi = imageArray［y:y+h， x:x+w］

xTrain.append（roi）

yLabels.append（id_）

with open（“l(fā)abels”， “wb”） as f：

pickle.dump（labelIds， f）

f.close（）

recognizer.train（xTrain， np.array（yLabels））

recognizer.save（“trainer.yml”）

print（labelIds）

使用識別器進行面部識別

我們在上一節(jié)中設(shè)置的識別器現(xiàn)在可用于識別面部。它會給我們信心和標簽ID（識別器對這場比賽的信心程度）。如果面部匹配，繼電器將打開。

首先我們加載包含字典的pickle文件。

with open（‘labels’， ‘rb’） as f：

dicti = pickle.load（f）

f.close（）

然后我們加載將檢測面部的分類器以及預(yù)測面部和訓(xùn)練數(shù)據(jù)的識別器。

faceCascade = cv2.CascadeClassifier（“haarcascade_frontalface_default.xml”）

recognizer = cv2.face.LBPHFaceRecognizer_create（）

recognizer.read（“trainer.yml”）

我們讀取幀，將其轉(zhuǎn)換為灰度，并在圖像中查找面。如果有任何面部，我們將提取面部區(qū)域并使用識別器識別圖像。

識別器將為我們提供標簽ID和置信度。

gray = cv2.cvtColor（frame， cv2.COLOR_BGR2GRAY）

faces = faceCascade.detectMultiScale（gray， scaleFactor = 1.5， minNeighbors = 5）

for （x， y， w， h） in faces：

roiGray = gray［y:y+h， x:x+w］

roiColor = frame［y:y+h， x:x+w］

id_， conf = recognizer.predict（roiGray）

我們在字典中查找分配給此標簽ID的名稱。

for name， value in dict.items（）：

if value == id_：

print（name）

然后檢查我們是否有足夠的信心打開門鎖。如果信心小于70，門將打開。否則，它將保持關(guān)閉狀態(tài)。

if conf 《= 70：

GPIO.output（relay_pin， 1）

cv2.rectangle（frame， （x， y）， （x+w， y+h）， （0， 255， 0）， 2）

cv2.putText（frame， name + str（conf）， （x， y）， font， 2， （0， 0 ，255）， 2，cv2.LINE_AA）

else：

GPIO.output（relay_pin， 0）

在原始圖像中創(chuàng)建一個矩形，并將該名稱寫在矩形的頂部。

cv2.rectangle（frame， （x， y）， （x+w， y+h）， （0， 255， 0）， 2）

cv2.putText（frame， name， （x， y）， font， 2， （0， 0 ，255）， 2，cv2.LINE_AA）

隨著代碼的完成，設(shè)置已準備好進行面部識別！

訓(xùn)練識別器的完整代碼

import cv2

from picamera.array import PiRGBArray

from picamera import PiCamera

import numpy as np

import pickle

import RPi.GPIO as GPIO

from time import sleep

relay_pin = ［26］

GPIO.setmode（GPIO.BCM）

GPIO.setup（relay_pin， GPIO.OUT）

GPIO.output（relay_pin， 0）

with open（‘labels’， ‘rb’） as f：

dicti = pickle.load（f）

f.close（）

camera = PiCamera（）

camera.resolution = （640， 480）

camera.framerate = 30

rawCapture = PiRGBArray（camera， size=（640， 480））

faceCascade = cv2.CascadeClassifier（“haarcascade_frontalface_default.xml”）

recognizer = cv2.face.LBPHFaceRecognizer_create（）

recognizer.read（“trainer.yml”）

font = cv2.FONT_HERSHEY_SIMPLEX

for frame in camera.capture_continuous（rawCapture， format=“bgr”， use_video_port=True）：

frame = frame.array

gray = cv2.cvtColor（frame， cv2.COLOR_BGR2GRAY）

faces = faceCascade.detectMultiScale（gray， scaleFactor = 1.5， minNeighbors = 5）

for （x， y， w， h） in faces：

roiGray = gray［y:y+h， x:x+w］

id_， conf = recognizer.predict（roiGray）

for name， value in dict.items（）：

if value == id_：

print（name）

if conf 《= 70：

GPIO.output（relay_pin， 1）

cv2.rectangle（frame， （x， y）， （x+w， y+h）， （0， 255， 0）， 2）

cv2.putText（frame， name + str（conf）， （x， y）， font， 2， （0， 0 ，255）， 2，cv2.LINE_AA）

else：

GPIO.output（relay_pin， 0）

cv2.imshow（‘frame’， frame）

key = cv2.waitKey（1）

rawCapture.truncate（0）

if key == 27：

break

cv2.destroyAllWindows（）

最后的想法

這種人臉識別系統(tǒng)不是100％準確，但在良好的光線下效果很好條件。問題是它還可以檢測圖片中的面孔 - 例如，有人可以通過手機顯示您的圖片來解鎖它。我們可以通過訓(xùn)練自己的級聯(lián)分類器來改進這一點。