python-opencv人脸识别实战项目（模型训练）

小菜鸡1145

1248人浏览 · 2025-05-30 15:09:33

小菜鸡1145 · 2025-05-30 15:09:33 发布

一、引言：

上一文我们通过python-opencv来获取视频流，并使用自带的人脸识别模型来检测人脸将人脸数据框选并保存下来，那么本文，我将介绍一下如何使用这些图片来进行模型的训练。

二、训练代码：

废话不多说，我们先把整个代码整理给大家：

import cv2
import os
import numpy as np
import pickle

def train_face_recognition_model():
    # 1. 准备数据集
    dataset_path = "dataset"

    # 自动获取dataset文件夹下的人名
    names = {}
    label = 0
    for name in os.listdir(dataset_path):
        folder_path = os.path.join(dataset_path, name)
        if os.path.isdir(folder_path):  # 确保是文件夹
            names[label] = name
            label += 1

    if not names:
        print("错误：在dataset文件夹中没有找到任何人脸数据！")
        return

    # 准备储存数据的容器
    faces = []  # 储存人脸照片
    labels = []  # 储存对应的标签

    # 2. 读取照片并准备训练数据
    for label, name in names.items():
        folder = os.path.join(dataset_path, name)
        for filename in os.listdir(folder):
            img_path = os.path.join(folder, filename)

            # 读取图片并转为灰度图
            img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)

            if img is not None:
                # 可以在这里添加人脸检测，确保只有人脸区域被用于训练
                faces.append(img)
                labels.append(label)
            else:
                print(f"警告：无法读取图片 {img_path}")

    if len(faces) == 0:
        print("错误：没有找到有效的人脸图片！")
        return

    # 3. 训练模型
    # 创建LBPH人脸识别器
    model = cv2.face.LBPHFaceRecognizer_create()

    # 开始训练
    model.train(faces, np.array(labels))

    # 4. 保存模型
    # 保存模型参数
    model.save("model.yml")

    # 保存标签和人名的对应关系
    with open("names.pkl", "wb") as f:
        pickle.dump(names, f)

    print(f"训练完成！共学习了 {len(faces)} 张照片，{len(names)} 个人。")
    print("已保存模型到 model.yml 和 names.pkl")

# 执行训练
if __name__ == "__main__":
    train_face_recognition_model()

接下来我会介绍每一段代码的作用：

1. 导入必要的库

import cv2          # OpenCV库，用于计算机视觉任务
import os           # 用于文件和目录操作
import numpy as np  # 用于数值计算
import pickle       # 用于序列化和保存Python对象

2. 自动获取人名

dataset_path = "dataset"
names = {}
label = 0
for name in os.listdir(dataset_path):
    folder_path = os.path.join(dataset_path, name)
    if os.path.isdir(folder_path):  # 确保是文件夹
        names[label] = name
        label += 1

这段代码自动扫描dataset文件夹下的子文件夹，每个子文件夹名被视为一个人名，为每个人分配一个数字标签（0,1,2,...）

3. 准备训练数据

faces = []  # 存储人脸图像
labels = [] # 存储对应的标签

for label, name in names.items():
    folder = os.path.join(dataset_path, name)
    for filename in os.listdir(folder):
        img_path = os.path.join(folder, filename)
        img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
        if img is not None:
            faces.append(img)
            labels.append(label)

遍历每个人名对应的文件夹，读取文件夹中的所有图片，将图片转换为灰度图（人脸识别通常在灰度图上进行），将有效的图片和对应标签添加到训练集中

4. 创建和训练模型

model = cv2.face.LBPHFaceRecognizer_create()
model.train(faces, np.array(labels))

创建LBPH(Local Binary Patterns Histograms)人脸识别器，LBPH是一种基于局部特征的人脸识别算法，对光照变化有一定鲁棒性，使用收集的人脸数据和标签训练模型

5. 保存模型

model.save("model.yml")  # 保存模型参数
with open("names.pkl", "wb") as f:
    pickle.dump(names, f)  # 保存标签和人名的对应关系

将训练好的模型参数保存到model.yml文件，将标签和人名的映射关系保存到names.pkl文件

6. 使用说明（图片收集的准备工作）

创建dataset文件夹
在dataset下为每个人创建一个子文件夹，文件夹名为人名
在每个子文件夹中放入该人的多张人脸照片
运行此脚本进行训练

文件夹结构示例

project/
│── dataset/
│   ├── name1/
│   │   ├── 1.jpg
│   │   ├── 2.jpg
│   │   └── ...
│   ├── neme2/
│   │   ├── 1.jpg
│   │   └── ...
│   └── name3/
│       ├── 1.jpg
│       └── ...
└── train.py (此脚本)