Python3.5+openCv进行人脸识别并匹配的环境搭建（Windows下）

一、参考博客

　　地址 http://www.jianshu.com/p/d4a924c97416

　　作者说的很详细，可以参考作者博客，搭建环境参考我的上一博客。

　　这里只说一些自己的理解，和解决遇到的问题，有想在Windows下实现人脸识别并且匹配的，可以按照我的步骤一步步解决问题。经测试真实有效，不好用不要钱！- -！

二、分析

想要看懂代码并且自己能够修改，你需要了解的几个知识

1：openCv调用图片，或者视频 。

    　

构建模型和模型训练（问题开始逐渐多了，重点，敲黑板）

　　就是把刚才的图片放到dataset文件夹下，要单独创建文件夹，一个文件夹里面放一个人的头像。

　　*******（应该建立两个以上文件夹，否则报错，具体错误代码 如下，原因不详：

　　　　　　

　　　　　　  #epochs、batch_size为可调的参数，epochs为训练多少轮、batch_size为每次训练多少个样本
                    #如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，
                   #那么x的类型应当为list，list的元素是对应于各个输入的numpy array
        　　　　　　　　self.model.fit(self.dataset.X_train,self.dataset.Y_train,epochs=7,batch_size=20)

　　　　　　）

　　运行train_model.py会调用dataSet.py,read_data.py

read_data.py下的

2：根据指定路径读取出图片、标签和类别数

　　imgs,labels,counter = read_file(path)

3： #将数据集打乱随机分组
        X_train,X_test,y_train,y_test = train_test_split(imgs,labels,test_size=0.2,random_state=random.randint(0, 100))

        print(X_train.shape)#输出结果(3, 128, 128)      3代表训练集的个数

4： #重新格式化和标准化
        X_train = X_train.reshape(X_train.shape[0], 1, self.img_size, self.img_size)/255.0

 　　（reshape详细看最下面）

train_model.py下的

5： #建立一个CNN模型，一层卷积、一层池化、一层卷积、一层池化、抹平之后进行全链接、最后进行分类

self.model = Sequential()
        self.model.add(
            Conv2D(
                filters=32,
                kernel_size=(5, 5),
                padding='same',
                dim_ordering='th',
                input_shape=self.dataset.X_train.shape[1:]
            )
        )

6：了解python的常见矩阵转换

　　input_shape=self.dataset.X_train.shape[1:]

7：关于Keras 2.0版本运行demo出错的问题

8 :缺少h5py，导包。

详细步骤：

1、获得训练集数据

分步运行，运行pick_face.py,会调用read_img.py

　（我想改颜色了，发现改了颜色后真的识别不出来，灰色识别确实高，但是这看着不太舒服，最后拉上我郅哥陪我，啥也不怕了。）

2、*****

3、

imgs,labels,counter = read_file(path)
print(imgs)
print(labels)
print(counter)  打印结果如下

[[[ 88 131 132 ...,  19  19  34]
  [107 137 128 ...,  19  22  40]
  [112 130 116 ...,  22  29  51]
  ..., 
  [ 46  54  60 ..., 180 176 160]
  [ 48  54  59 ..., 177 172 167]
  [ 50  54  57 ..., 158 157 165]]      #1

 [[160 160 159 ..., 160 160 160]
  [160 160 160 ..., 161 160 161]
  [160 161 161 ..., 161 161 161]
  ..., 
  [132 130 131 ..., 137 136 136]
  [131 131 130 ..., 137 136 136]
  [131 130 130 ..., 136 136 136]]      #2

 [[220 221 221 ..., 221 221 222]
  [221 222 222 ..., 223 223 222]
  [223 223 223 ..., 222 223 223]
  ..., 
  [213 212 208 ..., 179 179 179]
  [212 213 211 ...,  83 178 178]
  [211 213 211 ..., 177 177 177]]      #3

 ..., 
 [[128 126 124 ...,  90  90  90]
  [129 128 127 ...,  93  94  93]
  [131 129 129 ...,  92  94  93]
  ..., 
  [ 70  66  63 ...,  65  68  70]
  [ 67  62  58 ...,  65  69  70]
  [ 62  60  60 ...,  67  74  76]]     #4

 [[  4   5   4 ...,  27  40  47]
  [  3   4   4 ...,  28  36  44]
  [  4   4   4 ...,  36  40  45]
  ..., 
  [ 19  20  19 ..., 159 160 158]
  [ 20  23  22 ..., 158 159 160]
  [ 17  21  21 ..., 157 159 158]]     #5

 [[ 14  16  16 ..., 183 183 182]
  [ 19  19  21 ..., 183 183 183]
  [ 22  18  20 ..., 182 183 183]
  ..., 
  [100 102  99 ..., 189 189 189]
  [100 100 101 ..., 188 188 189]
  [ 99  98 100 ..., 190 189 189]]]    #6    我有两个文件夹，八张图片，不知道为什么只显示六张图片？？？？
[0, 0, 0, 1, 1, 1, 1, 1]               #标签代表文件夹索引  第一个文件夹里3张图片，第二个文件夹里面5张图片
2                                      #一共两文件夹
[[[227 225 224 ..., 231 231 232]
  [226 228 223 ..., 232 232 232]
  [228 225 221 ..., 230 231 231]
  ..., 
  [226 226 227 ..., 125 109 104]
  [226 227 228 ..., 122 107 104]
  [227 228 226 ..., 116 105 101]]

 [[ 14  16  16 ..., 183 183 182]
  [ 19  19  21 ..., 183 183 183]
  [ 22  18  20 ..., 182 183 183]
  ..., 
  [100 102  99 ..., 189 189 189]
  [100 100 101 ..., 188 188 189]
  [ 99  98 100 ..., 190 189 189]]

 [[ 88 131 132 ...,  19  19  34]
  [107 137 128 ...,  19  22  40]
  [112 130 116 ...,  22  29  51]
  ..., 
  [ 46  54  60 ..., 180 176 160]
  [ 48  54  59 ..., 177 172 167]
  [ 50  54  57 ..., 158 157 165]]

 [[128 126 124 ...,  90  90  90]
  [129 128 127 ...,  93  94  93]
  [131 129 129 ...,  92  94  93]
  ..., 
  [ 70  66  63 ...,  65  68  70]
  [ 67  62  58 ...,  65  69  70]
  [ 62  60  60 ...,  67  74  76]]

 [[160 160 159 ..., 160 160 160]
  [160 160 160 ..., 161 160 161]
  [160 161 161 ..., 161 161 161]
  ..., 
  [132 130 131 ..., 137 136 136]
  [131 131 130 ..., 137 136 136]
  [131 130 130 ..., 136 136 136]]

 [[  4   5   4 ...,  27  40  47]
  [  3   4   4 ...,  28  36  44]
  [  4   4   4 ...,  36  40  45]
  ..., 
  [ 19  20  19 ..., 159 160 158]
  [ 20  23  22 ..., 158 159 160]
  [ 17  21  21 ..., 157 159 158]]]
(6, 128, 128)                        #分割出来六个训练集
[Finished in 5.2s]

  参考博客：http://blog.csdn.net/churximi/article/details/61415254

4、X_train = X_train.reshape(X_train.shape[0], 1, self.img_size, self.img_size)/255.0

根据Numpy文档(https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html#numpy-reshape)的解释：（能看明白的都么是大婶）

　　清楚解释如下

1 import numpy as np
2 z=np.array([
3     [1,2,3,4],
4     [5,6,7,8],
5     [9,10,11,12],
6     [13,14,15,16]
7     ])
8 print(z.shape)  #输出(4,4)


import numpy as np
z=np.array([
    [1,2,3,4],
    [5,6,7,8],
    [9,10,11,12],
    [13,14,15,16]
    ])
print(z.reshape(-1,1))    #也就是说，先前我们不知道z的shape属性是多少，但是想让z变成只有一列，行数不知道多少，
#输出如下
[[ 1]
 [ 2]
 [ 3]
 [ 4]
 [ 5]
 [ 6]
 [ 7]
 [ 8]
 [ 9]
 [10]
 [11]
 [12]
 [13]
 [14]
 [15]
 [16]]

print(z.reshape(-1,2))
#输出如下
[[ 1  2]
 [ 3  4]
 [ 5  6]
 [ 7  8]
 [ 9 10]
 [11 12]
 [13 14]
 [15 16]]

print(z.reshape(-1,2,8))
#输出如下
[[[ 1  2  3  4  5  6  7  8]
  [ 9 10 11 12 13 14 15 16]]]

print(z.reshape(-1,2,4,1))
#输出如下
[[[[ 1]
   [ 2]
   [ 3]
   [ 4]]

  [[ 5]
   [ 6]
   [ 7]
   [ 8]]]


 [[[ 9]
   [10]
   [11]
   [12]]

  [[13]
   [14]
   [15]
   [16]]]]

、最后总结为，reshape(-1,2,4,1)里面加几个参数，就是形成几维数组，从右向左起，为每维数组里的个数，（-1，2，4，1）一维数组里面有1个，二维数组里面4个，三围数组里面2个，由于不知道z的

值，就用-1表示，自动运算16/1/4/2=2。注意，维度一定要保证能够整除，不能出现除不尽的情况。

#将数据集打乱随机分组
        X_train,X_test,y_train,y_test = train_test_split(imgs,labels,test_size=0.2,random_state=random.randint(0, 100))

        print(X_train.shape)#输出结果(3, 128, 128)

 　　#重新格式化和标准化
        X_train = X_train.reshape(X_train.shape[0], 1, self.img_size, self.img_size)/255.0

　　 将X_train由一个三维数组，变成一个四维数组。

 相当于x_train=X_train.reshape(3,1,128,128) 其余没变，多加了一个维度而已。

5、

 def build_model(self):
        self.model = Sequential()
        self.model.add(
            Convolution2D(
                filters=32,
                kernel_size=(5, 5),
                padding='same',
                dim_ordering='th',
                input_shape=self.dataset.X_train.shape[1:]
            )
        )

首先了解 Keras:基于Python的深度学习库       中文文档地址 http://keras-cn.readthedocs.io/en/latest/  

博客地址  http://blog.csdn.net/sinat_26917383/article/details/72857454?fps=1&locationNum=1

keras的后台引擎，三种后端TensorFlow、theano、cntk。

*******重要*******开始我换了theano，但是总是出错，各种各样的问题，最后还是直接就用了tensorflow,也没有做什么修改，具体底层怎么运行的我会在后续学习中补充，也希望有知道的大神可以告诉一下我，感激不尽。

作者说本案例是基于theano的，如果基于tensorflow的backend需要进行修改，而发现keras默认后端是tensorflow，想换回theano，看了官方文档，只说明了Linux的环境更换，在Windows下

其实就是在C:UsersAdministrator有个文件夹.keras，里面有keras.json文件，改一下里面的内容就好了，如果没有文件夹和文件，手动创建就行。用theano的话，keras.json写入

{
    "backend": "tensorflow",
    "epsilon": 1e-07,
    "image_data_format": "channels_last",
    "floatx": "float32"
}

6、矩阵转换  博客学习地址      http://blog.csdn.net/taxueguilai1992/article/details/46581861

  

from numpy import *
import numpy as np

a1=array([1,2,3])
a1=mat(a1)

#1print(a1)  [[1 2 3]]
#
a1=mat([[1,1],[2,3],[4,2]]);
#2print(a1)  [[1 1]
#             [2 3]
#             [4 2]]
         
#3print(a1[1,:])     [[2 3]]加了逗号就是取第二行值
     
#4print(sum(a1[1,:]))  计算第一行所有列的和  5

#print(a1[1:])   [[2 3]
#                  [4 2]]     不加逗号就是从第二行之后分割

#print(a1[1:,1:])    分割出第二行以后的行和第二列以后的列的所有元素    
#[[3]
# [2]]

7、博客学习地址     http://blog.csdn.net/johinieli/article/details/69222956

     更新keras到2.0版本   pip install keras==2.0(本人亲测好使)

使用以下命令来查看 Keras 版本。

>>> import keras

Using TensorFlow backend.

>>> keras.__version__

升级后原作者代码也需要更改  Conv2D而不再是Convolution2D。

8、*****

最后附一张成功识别图，感谢原代码作者，也感谢众多查阅的博客疑难解答，小白一枚，前方路远，路漫漫其修远兮

 代码地址：https://github.com/chaoyuebeijita/face

2017/12/18    作者一路致金   微信 chaoyuebeijita  QQ 869613275 

欢迎指正学习，我才刚上路