使用 OpenCV 进行不稳定的人脸识别

Posted

技术标签:

【中文标题】使用 OpenCV 进行不稳定的人脸识别【英文标题】:Unstable face recognition using OpenCV 【发布时间】:2014-01-23 02:04:09 【问题描述】:

我正在使用JavaCV 开发一个用于人脸识别的安卓应用程序,它是 OpenCV 的非官方包装器。导入com.googlecode.javacv.cpp.opencv_contrib.FaceRecognizer后, 我应用并测试了以下已知方法:

LBPH 使用 createLBPHFaceRecognizer() 方法 FisherFace 使用 createFisherFaceRecognizer() 方法 使用 createEigenFaceRecognizer() 方法的 EigenFace

在识别检测到的人脸之前,我会校正旋转的人脸并裁剪适当的区域,灵感来自this method

一般来说,当我通过相机时,数据库中已经存在一张人脸,识别是可以的。但这并不总是正确的。有时它以很高的概率识别出未知人脸(未在训练样本数据库中找到)。当我们在 DB 中有两张或更多相似特征的面孔(胡须、胡须、眼镜......)时,这些面孔之间的识别可能会高度错误!

为了使用测试人脸图像预测结果,我应用了以下代码:

public String predict(Mat m) 

        int n[] = new int[1];
        double p[] = new double[1];
        IplImage ipl = MatToIplImage(m,WIDTH, HEIGHT);

        faceRecognizer.predict(ipl, n, p);

        if (n[0]!=-1)
         mProb=(int)p[0];
        else
            mProb=-1;
            if (n[0] != -1)
            return labelsFile.get(n[0]);
        else
            return "Unkown";
    

我无法控制概率p的阈值,因为:

小 p 高 p > 70 可能预测错误结果。 中间 p 可以预测正确或错误。

同样,我不明白为什么在使用 LBPH 的情况下 predict() 函数有时给出大于 100 的概率???在Fisher和Eigen的情况下,它给出了非常大的值(> 2000)? 有人可以帮助找到解决这些奇怪问题的方法吗? 有什么建议可以提高识别的稳健性吗?特别是在两个不同的面孔相似的情况下。

以下是使用 Facerecognizer 的整个类:

package org.opencv.javacv.facerecognition;

import static  com.googlecode.javacv.cpp.opencv_highgui.*;
import static  com.googlecode.javacv.cpp.opencv_core.*;

import static  com.googlecode.javacv.cpp.opencv_imgproc.*;
import static com.googlecode.javacv.cpp.opencv_contrib.*;

import java.io.File;
import java.io.FileOutputStream;
import java.io.FilenameFilter;
import java.util.ArrayList;

import org.opencv.android.Utils;
import org.opencv.core.Mat;

import com.googlecode.javacv.cpp.opencv_imgproc;
import com.googlecode.javacv.cpp.opencv_contrib.FaceRecognizer;
import com.googlecode.javacv.cpp.opencv_core.IplImage;
import com.googlecode.javacv.cpp.opencv_core.MatVector;

import android.graphics.Bitmap;
import android.os.Environment;
import android.util.Log;
import android.widget.Toast;

public  class PersonRecognizer 

    public final static int MAXIMG = 100;
    FaceRecognizer faceRecognizer;
    String mPath;
    int count=0;
    labels labelsFile;

     static  final int WIDTH= 128;
     static  final int HEIGHT= 128;;
     private int mProb=999;


    PersonRecognizer(String path)
    
      faceRecognizer =  com.googlecode.javacv.cpp.opencv_contrib.createLBPHFaceRecognizer(2,8,8,8,200);
     // path=Environment.getExternalStorageDirectory()+"/facerecog/faces/";
     mPath=path;
     labelsFile= new labels(mPath);


    

    void changeRecognizer(int nRec)
    
        switch(nRec) 
        case 0: faceRecognizer = com.googlecode.javacv.cpp.opencv_contrib.createLBPHFaceRecognizer(1,8,8,8,100);
                break;
        case 1: faceRecognizer = com.googlecode.javacv.cpp.opencv_contrib.createFisherFaceRecognizer();
                break;
        case 2: faceRecognizer = com.googlecode.javacv.cpp.opencv_contrib.createEigenFaceRecognizer();
                break;
        
        train();

    

    void add(Mat m, String description) 
        Bitmap bmp= Bitmap.createBitmap(m.width(), m.height(), Bitmap.Config.ARGB_8888);

        Utils.matToBitmap(m,bmp);
        bmp= Bitmap.createScaledBitmap(bmp, WIDTH, HEIGHT, false);

        FileOutputStream f;
        try 
            f = new FileOutputStream(mPath+description+"-"+count+".jpg",true);
            count++;
            bmp.compress(Bitmap.CompressFormat.JPEG, 100, f);
            f.close();

         catch (Exception e) 
            Log.e("error",e.getCause()+" "+e.getMessage());
            e.printStackTrace();

        
    

    public boolean train() 

        File root = new File(mPath);
        Log.i("mPath",mPath);
        FilenameFilter pngFilter = new FilenameFilter() 
            public boolean accept(File dir, String name) 
                return name.toLowerCase().endsWith(".jpg");

        ;
        ;

        File[] imageFiles = root.listFiles(pngFilter);

        MatVector images = new MatVector(imageFiles.length);

        int[] labels = new int[imageFiles.length];

        int counter = 0;
        int label;

        IplImage img=null;
        IplImage grayImg;

        int i1=mPath.length();


        for (File image : imageFiles) 
            String p = image.getAbsolutePath();
            img = cvLoadImage(p);

            if (img==null)
                Log.e("Error","Error cVLoadImage");
            Log.i("image",p);

            int i2=p.lastIndexOf("-");
            int i3=p.lastIndexOf(".");
            int icount=Integer.parseInt(p.substring(i2+1,i3)); 
            if (count<icount) count++;

            String description=p.substring(i1,i2);

            if (labelsFile.get(description)<0)
                labelsFile.add(description, labelsFile.max()+1);

            label = labelsFile.get(description);

            grayImg = IplImage.create(img.width(), img.height(), IPL_DEPTH_8U, 1);

            cvCvtColor(img, grayImg, CV_BGR2GRAY);

            images.put(counter, grayImg);

            labels[counter] = label;

            counter++;
        
        if (counter>0)
            if (labelsFile.max()>1)
                faceRecognizer.train(images, labels);
        labelsFile.Save();
    return true;
    

    public boolean canPredict()
    
        if (labelsFile.max()>1)
            return true;
        else
            return false;

    

    public String predict(Mat m) 
        if (!canPredict())
            return "";
        int n[] = new int[1];
        double p[] = new double[1];
        IplImage ipl = MatToIplImage(m,WIDTH, HEIGHT);
//      IplImage ipl = MatToIplImage(m,-1, -1);

        faceRecognizer.predict(ipl, n, p);

        if (n[0]!=-1)
         mProb=(int)p[0];
        else
            mProb=-1;
    //  if ((n[0] != -1)&&(p[0]<95))
        if (n[0] != -1)
            return labelsFile.get(n[0]);
        else
            return "Unkown";
    




      IplImage MatToIplImage(Mat m,int width,int heigth)
      


           Bitmap bmp=Bitmap.createBitmap(m.width(), m.height(), Bitmap.Config.ARGB_8888);


           Utils.matToBitmap(m, bmp);
           return BitmapToIplImage(bmp,width, heigth);

      

    IplImage BitmapToIplImage(Bitmap bmp, int width, int height) 

        if ((width != -1) || (height != -1)) 
            Bitmap bmp2 = Bitmap.createScaledBitmap(bmp, width, height, false);
            bmp = bmp2;
        

        IplImage image = IplImage.create(bmp.getWidth(), bmp.getHeight(),
                IPL_DEPTH_8U, 4);

        bmp.copyPixelsToBuffer(image.getByteBuffer());

        IplImage grayImg = IplImage.create(image.width(), image.height(),
                IPL_DEPTH_8U, 1);

        cvCvtColor(image, grayImg, opencv_imgproc.CV_BGR2GRAY);

        return grayImg;
    



    protected void SaveBmp(Bitmap bmp,String path)
      
            FileOutputStream file;
            try 
                file = new FileOutputStream(path , true);

            bmp.compress(Bitmap.CompressFormat.JPEG,100,file);  
            file.close();
            
            catch (Exception e) 
                // TODO Auto-generated catch block
                Log.e("",e.getMessage()+e.getCause());
                e.printStackTrace();
            

      


    public void load() 
        train();

    

    public int getProb() 
        // TODO Auto-generated method stub
        return mProb;
    



【问题讨论】:

是的,您需要 3 个不同的阈值,每种方法一个,因为它们的特征空间不同。此外,您在预测中的“p”值不是概率,而是从您的测试图像到数据库中最近找到的匹配的 距离(所以,有点相反),所以这不是完全在 [0..100] 范围内。 @berak 我们传递三个参数来预测 iplimage、int[]、double[]。好的,我们通过了 Iplimage,我们在 double[] 中得到了距离,但是 int[] 是什么?它代表什么。因为我不太了解它,所以我得到了不同的价值,比如 1,4,8。 这是类标签,你的人的 id。这段代码是你写的吗? dervish,你必须对你的数据进行测试。老实说,让代码运行是很容易的部分。优化结果才是真正的工作开始。 我同意 berak,您需要来自同一个人的适量不同图像,以便可以使用它来训练模型。最后预测更好。 【参考方案1】:

我认为您需要实现一些对照明变化更加稳健的东西。见:Illumination normalization in OpenCV

然后,为了管理图像之间的相似性,也许您可​​以使用主成分分析之类的东西。

【讨论】:

为什么-1,我给了你一些技巧,在存在可能干扰识别的因素的情况下提高识别率。我已经在一个类似的项目中使用过它们,以便更加健壮并且它们工作得很好。

以上是关于使用 OpenCV 进行不稳定的人脸识别的主要内容,如果未能解决你的问题,请参考以下文章

OpenCV中LBPH人脸识别器识别人脸实战(附Python源码)

如何开发Java动态人脸识别

怎样使用OpenCV进行人脸识别

怎样使用OpenCV进行人脸识别

怎样使用OpenCV进行人脸识别

识别人脸face_recognition实现