主要有以下步骤：

1、人脸检测

2、人脸预处理

3、从收集的人脸训练机器学习算法

4、人脸识别

5、收尾工作

人脸检测算法：

基于Haar的脸部检测器的基本思想是，对于面部正面大部分区域而言，会有眼睛所在区域应该比前额和脸颊更暗，嘴巴应该比脸颊更暗等情形。它通常执行大约20个这样的比较来决定所检测的对象是否为人脸，实际上经常会做上千次。

基于LBP的人脸检测器基本思想与基于Haar的人脸检测器类似，但它比较的是像素亮度直方图，例如，边缘、角落和平坦区域的直方图。

这两种人脸检测器可通过训练大的图像集找到人脸，这些图像集在opencv中存在XML文件中以便后续使用。

这些级联分类检测器通常至少需使用1000个独特的人脸图像和10000个非人脸图像作为训练，训练时间一般LBP要几个小时，

Haar要一个星期。

项目中的关键代码如下：

initDetectors
faceCascade.load(faceCascadeFilename);
eyeCascade1.load(eyeCascadeFilename1);
eyeCascade2.load(eyeCascadeFilename2);

initWebcam
videoCapture.open(cameraNumber);

cvtColor(img, gray, CV_BGR2GRAY);
//有需要则缩小图片使检测运行更快，之后要恢复原来大小
resize(gray, inputImg, Size(scaledWidth, scaledHeight));
equalizeHist(inputImg, equalizedImg);
cascade.detectMultiScale(equalizedImg......);

人脸预处理:

实际中通常训练（采集图像）和测试（来自摄像机图像）的图像会有很大不同，受（如光照、人脸方位、表情等），

结果会很差，因此用于训练的数据集很重要。

人脸预处理目的是减少这类问题，有助于提高整个人脸识别系统的可靠性。

人脸预处理的最简单形式就是使用equalizeHist()函数做直方图均衡，这与人脸检测那步一样。

实际中，为了让检测算法更可靠，会使用面部特征检测（如，检测眼睛、鼻子、嘴巴和眉毛），本项目只使用眼睛检测。

使用OpenCV自带的训练好的眼部探测器。如，正面人脸检测完毕后，得到一个人脸，在使用眼睛检测器提取人脸的左眼区域和右眼区域，并对每个眼部区域进行直方图均衡。

这步涉及的操作有以下内容：

1、几何变换和裁剪

人脸对齐很重要，旋转人脸使眼睛保持水平，缩放人脸使眼睛之间距离始终相同，平移人脸使眼睛总是在所需高度上水平居中，

裁剪人脸外围（如图像背景、头发、额头、耳朵和下巴）。

2、对人脸左侧和右侧分别用直方图均衡

3、平滑

用双边滤波器来减少图像噪声

4、椭圆掩码

将剩余头发和人脸图像背景去掉

项目中的关键代码如下：

detectBothEyes(const Mat &face, CascadeClassifier &eyeCascade1, CascadeClassifier &eyeCascade2,
Point &leftEye, Point &rightEye, Rect *searchedLeftEye, Rect *searchedRightEye);
topLeftOfFace = face(Rect(leftX, topY, widthX, heightY));
//在左脸区域内检测左眼
detectLargestObject(topLeftOfFace, eyeCascade1, leftEyeRect, topLeftOfFace.cols);
//右眼类似，这样眼睛中心点就得到了
leftEye = Point(leftEyeRect.x + leftEyeRect.width/2, leftEyeRect.y + leftEyeRect.height/2);
//再得到两眼的中点，然后计算两眼之间的角度
Point2f eyesCenter = Point2f( (leftEye.x + rightEye.x) * 0.5f, (leftEye.y + rightEye.y) * 0.5f );
//仿射扭曲(Affine Warping)需要一个仿射矩阵
rot_mat = getRotationMatrix2D(eyesCenter, angle, scale);
//现在可变换人脸来得到检测到的双眼出现在人脸的所需位置
warpAffine(gray, warped, rot_mat, warped.size());

//先对人脸左侧和右侧分开进行直方图均衡
equalizeHist(leftSide, leftSide);
equalizeHist(rightSide, rightSide);
//再合并，这里合并时左侧1/4和右侧1/4直接取像素值，中间的2/4区域像素值通过一定计算进行处理。

//双边滤波
bilateralFilter(warped, filtered, 0, 20.0, 2.0);

//采用椭圆掩码来删除一些区域
filtered.copyTo(dstImg, mask);

收集并训练人脸：

一个好的数据集应包含人脸变换的各种情形，这些变化可能出现在训练集中。如只测试正面人脸，则只需训练图像有完全正面人脸即可。

因此一个好的训练集应包含很多实际情形。

本项目收集的图像之间至少有一秒的间隔，使用基于L2范数的相对错误评价标准来比较两幅图像素之间的相似性。

errorL2 = norm(A, B, CV_L2);
similarity = errorL2 / (double)(A.rows * A.cols);

再与收集新人脸的阈值相比来决定是否收集这次图像。

可用很多技巧来获取更多的训练数据，如，使用镜像人脸、加入随机噪声、改变人脸图像的一些像素、旋转等。

//翻转
flip(preprocessedFace, mirroredFace, 1);

对每个人收集到足够多的人脸图像后，接下来必须选择适合人脸识别的机器学习算法，通过它来学习收集的数据，从而训练出一个人脸识别系统。

人脸识别算法：

1、特征脸，也称PCA（主成分分析）

2、Fisher脸，也称LDA（线性判别分析）

3、局部二值模式直方图（Local Binary Pattern Histograms，LBPH）

其他人脸识别算法：www.face-rec.org/algorithms/

OpenCV提供了CV::Algorithm类，该类有几种不同的算法，用其中一种算法就可以完成简单而通用的人脸识别。

OpenCV的contrib模板中有一个FaceRecognizer类，它实现以上这些人脸识别算法。

initModule_contrib();
model = Algorithm::create<FaceRecognizer>(facerecAlgorithm);

model->train(preprocessedFaces, faceLabels);

这一代码将执行所选人脸识别的整个训练算法。

人脸识别：

1、人脸识别：通过人脸来识别这个人

可以简单调用FaceRecognizer::predict()函数来识别照片中的人，

int identity = model->predict(preprocessedFace);

它带来的问题是它总能预测给定的人(即使输入图像不属于训练集中的人)。

解决此问题的办法是制定置信度标准，置信度过低则可判读是一个不认识的人。

2、人脸验证：验证图像中是否有想找的人

为了验证是否可靠，或者说系统是否能对一个不认识的人进行正确识别，这需要进行人脸验证。

这里计算置信度的方法是：

使用特征向量和特征值重构人脸图，然后将输入的图像与重构图进行比较。如果一个人在训练集中有多张人脸图，用特征向量和特征

值重构后应该有非常好的效果，如果没有则差别很大，表明它可能是一个未知的人脸。

subspaceProject()函数将人脸图像映射到特征空间，再用subspaceReconstruct()函数从特征空间重构图像。

收尾：交互式GUI

利用OpenCV函数很容易绘制一些组件，鼠标点击等。

以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，同时也希望多多支持【听图阁-专注于Python设计】！