基于OpenCV和Python模式识别系统的设计与实现代码大全.pdf

题目基于OpenCV和Python模式识别系统的设计与实现

1．1题目的主要研究内容

（1）工作的主要描述（宋体小四号不加粗1.5倍行距）

利用python中自带的opencv库中的人脸识别算法制作一个简易的模式识

别系统，使用自己搜集到的数据集对模型进行训练，最终完成特征提取、分类等

工作，并且在最后的推理过程中，实现了人脸识别的工作。

（2）系统流程图

导入所需模块

准备训练数据集

训练人脸识别器

推理

1．2题目研究的工作基础或实验条件

软件环境：cv2：是用于Python的OpenCV模块，我们将用于人脸检测和人

脸识别。操作系统：将使用此Python模块读取我们的训练目录和文件名。numpy：

将使用此模块将Python列表转换为numpy数组，因为OpenCV人脸识别器接受

numpy数组。

1．3数据集描述

训练中使用的图像越多越好。通常，许多图像用于训练面部识别器，以便它

可以学习同一个人的不同外观，例如戴眼镜，不戴眼镜，大笑，悲伤，快乐，哭

泣，留胡子，无胡须等。为了使训练保持简单，将为每个人仅使用12张图像。

因此，训练数据总共由2个人组成，每人有12张图像。所有训练数据都

training-data文件夹中。training-data文件夹包含每个人的一个文件夹，每

个文件夹都以sLabel格式命名（例如s1，s2），其中标签实际上是分配给该人

的整数标签。例如，名为s1的文件夹表示此文件夹包含人员1的图像。训练

数据的目录结构树如下所示：

training-data

|s1

||--1.jpg

||--...

||--12.jpg

|s2

||--1.jpg

||--...

||--12.jpg

1．4特征提取过程描述

该系统中采用的特征提取算法是局部二值模式直方图（LBPH）算法，而原始

的LBP算子定义为在3*3的窗口内以窗口中心像素为阈值，将相邻的8个像素的

灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记

为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数（通常

转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并

用这个值来反映该区域的纹理信息。提取的LBP算子在每个像素点都可以得到一

个LBP“编码”，那么，对一幅图像（记录的是每个像素点的灰度值）提取其原

始的LBP算子之后，得到的原始LBP特征依然是“一幅图片”（记录的是每个像

素点的LBP值）。

对LBP特征向量进行提取的步骤：

（1）首先将检测窗口划分为16×16的小区域（cell）；

（2）对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，

若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，

3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP

值。

1．5分类过程描述

该系统用到的分类器是opencv中提供训练好的级联分类器，该分类器是一

种Harr级联分类器，Harr级联分类器的具体分类过程为：

1.提取类Haar特征；

2.利用积分图法对类Haar特征提取进行加速；

3.使用Adaboost算法训练强分类器，区分出人脸和非人脸；

4.使用筛选式级联把强的分类器级联在一起，从而提高检测准确度。

opencv中提供的Harr级联分类器共有20多种，它们都以xml文件的格式保存在

opencv中的data文件夹下，这些级联分类器可以检测人脸，以及人脸的不同特

征，或者人类和其它物体等等，本项目中保存的分类器除了Harr级联分类器还

保存了LBP级联分类器，这两个分类器的分类过程本质基本相似，所以在此不

对LBP级联分类器的分类过程做具体叙述。综上，我们选