人工智能基础与应用-第8章-计算机视觉处理.pptVIP

8.3.5 人脸识别应用 # 循环遍历训练集中的每个人 for class_dir in os.listdir(train_dir): # 如果train_dir/class_dir不是一个目录，就继续 if not os.path.isdir(os.path.join(train_dir, class_dir)): continue # 循环浏览当前人员的每个训练图像 for img_path in image_files_in_folder(os.path.join(train_dir, class_dir)): image = face_recognition.load_image_file(img_path) face_bounding_boxes = face_recognition.face_locations(image) if len(face_bounding_boxes) != 1: # 如果训练图像中没有人（或人太多），请跳过图像 if verbose: print({} 这张图像不适合训练: {}。.format(img_path, 因为它上面没找到人脸 if len(face_bounding_boxes) 1 else 因为它不止一张人脸)) else: # 将当前图像的面部编码添加到训练集 X.append(face_recognition.face_encodings(image, known_face_locations=face_bounding_boxes)[0]) y.append(class_dir) # 确定KNN分类器中用于加权的近邻 if n_neighbors is None: n_neighbors = int(round(math.sqrt(len(X)))) # 面部编码长度开平方后四舍五入取整数 if verbose: print(自动选择n_neighbors:, n_neighbors) # 创建并训练KNN分类器 knn_clf = neighbors.KNeighborsClassifier(n_neighbors=n_neighbors, algorithm=knn_algo, weights=distance) knn_clf.fit(X, y) 人工智能基础与应用-第8章-计算机视觉处理全文共35页，当前为第31页。 8.3.5 人脸识别应用 # 保存训练后的KNN分类器 if model_save_path is not None: with open(model_save_path, wb) as f: pickle.dump(knn_clf, f) return knn_clf if __name__ == __main__: # 训练的KNN分类，并将其保存到磁盘 print(训练KNN分类器...) classifier = train(Face_database, model_save_path=trained_knn_model.clf, n_neighbors=1) print(训练完成！) 5．人脸识别 在face_predict下新建face-knn-predict.py文件，实现人脸识别。 # 摄像头测试K近邻分类器 import os import cv2 import os.path import pickle import face_recognition ALLOWED_EXTENSIONS = {png, jpg, jpeg} def predict(X_img, knn_clf=None, model_path=None, distance_threshold=0.6):