OpenCV Python FAR/FRR 中的人脸识别

Posted 2023-02-23

【中文标题】OpenCV Python FAR/FRR 中的人脸识别

【英文标题】：Face recognition in OpenCV Python FAR/FRR

【发布时间】：2012-08-25 05:04:21

【问题描述】：

如何在 OpenCV Python 中进行性能测试来检查；

获得识别结果所需的时间 数据库测试用例的错误接受/错误拒绝率。

我正在使用 OpenCV 中的示例特征脸方法（来自 Phillip - https://github.com/bytefish/facerecognition_guide），我只是对结果感兴趣。如果有人能指出我正确的方向/显示示例，那就太好了。也许有一些我可以使用的功能？

【参考方案1】：

This blog对opencv2中的各种特征检测算法做了比较。它是泰语的，所以你可能想使用谷歌浏览器的翻译功能来阅读它，以防你不使用泰语。

作者没有分享他的代码，但也许您正在寻找类似的东西。

【参考方案2】：

验证 OpenCV 算法

简介

首先很抱歉花了这么长时间才回复，但是根本没有空闲时间。实际上验证算法是一个非常有趣的话题，而且真的没有那么难。在这篇文章中，我将展示如何验证你的算法（我将使用 FaceRecognizer，因为你已经要求它了）。在我的帖子中，我将一如既往地用一个完整的源代码示例来展示它，因为我认为用代码来解释东西要容易得多。

所以每当人们告诉我“我的算法表现不佳”时，我都会问他们：

究竟什么是坏？ 您是通过查看一个样本来评价这个的吗？ 您的图像数据是什么？ 如何划分训练数据和测试数据？ 您的指标是什么？ [...]

我希望这篇文章能消除一些困惑，并展示验证算法是多么容易。因为我从尝试计算机视觉和机器学习算法中学到的是：

如果没有适当的验证，一切都是为了追逐鬼魂。你真的，真的需要数字来谈论。

本文中的所有代码均采用 BSD 许可证，因此请随时将其用于您的项目。

验证算法

任何计算机视觉项目最重要的任务之一就是获取图像数据。您需要在生产中获得与您期望的相同的图像数据，因此您在上线时不会有任何不良体验。一个非常实际的例子：如果你想在野外识别人脸，那么在非常受控的场景中拍摄的图像上验证你的算法是没有用的。获取尽可能多的数据，因为数据为王。那是为了数据。

一旦您获得了一些数据并编写了算法，就需要对其进行评估。有几种验证策略，但我认为您应该从简单的交叉验证开始，然后从那里继续，有关交叉验证的信息请参阅：

Wikipedia on Cross-Validation

我们将利用 scikit-learn 一个很棒的开源项目，而不是自己实现这一切：

https://github.com/scikit-learn/

它有很好的算法验证文档和教程：

http://scikit-learn.org/stable/tutorial/statistical_inference/index.html

所以计划如下：

编写一个函数来读取一些图像数据。 将 cv2.FaceRecognizer 包装到 scikit-learn 估计器中。 使用给定的验证和指标估计 cv2.FaceRecognizer 的性能。 利润！

正确获取图像数据

首先我想在要读取的图像数据上写一些文字，因为这方面的问题几乎总是会弹出。为简单起见，我在示例中假设图像（面孔，您要识别的人）在文件夹中给出。每人一个文件夹。所以假设我有一个文件夹（一个数据集）调用images，子文件夹person1、person2 等等：

philipp@mango:~/facerec/data/images$ tree -L 2 | head -n 20
.
|-- person1
|   |-- 1.jpg
|   |-- 2.jpg
|   |-- 3.jpg
|   |-- 4.jpg
|-- person2
|   |-- 1.jpg
|   |-- 2.jpg
|   |-- 3.jpg
|   |-- 4.jpg

[...]

AT&T Facedatabase 是已经采用这种文件夹结构的公共可用数据集之一，可在以下网址获得：

http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html

解压后它看起来像这样（在我的文件系统上它被解压到/home/philipp/facerec/data/at/，你的路径不同！）：

philipp@mango:~/facerec/data/at$ tree .
.
|-- README
|-- s1
|   |-- 1.pgm
|   |-- 2.pgm
[...]
|   `-- 10.pgm
|-- s2
|   |-- 1.pgm
|   |-- 2.pgm
[...]
|   `-- 10.pgm
|-- s3
|   |-- 1.pgm
|   |-- 2.pgm
[...]
|   `-- 10.pgm

...

40 directories, 401 files

把它放在一起

所以首先我们要定义一个方法read_images 用于读取图像数据和标签：

import os
import sys
import cv2
import numpy as np

def read_images(path, sz=None):
    """Reads the images in a given folder, resizes images on the fly if size is given.

    Args:
        path: Path to a folder with subfolders representing the subjects (persons).
        sz: A tuple with the size Resizes 

    Returns:
        A list [X,y]

            X: The images, which is a Python list of numpy arrays.
            y: The corresponding labels (the unique number of the subject, person) in a Python list.
    """
    c = 0
    X,y = [], []
    for dirname, dirnames, filenames in os.walk(path):
        for subdirname in dirnames:
            subject_path = os.path.join(dirname, subdirname)
            for filename in os.listdir(subject_path):
                try:
                    im = cv2.imread(os.path.join(subject_path, filename), cv2.IMREAD_GRAYSCALE)
                    # resize to given size (if given)
                    if (sz is not None):
                        im = cv2.resize(im, sz)
                    X.append(np.asarray(im, dtype=np.uint8))
                    y.append(c)
                except IOError, (errno, strerror):
                    print "I/O error(0): 1".format(errno, strerror)
                except:
                    print "Unexpected error:", sys.exc_info()[0]
                    raise
            c = c+1
    return [X,y]

然后读取图像数据变得像调用一样简单：

[X,y] = read_images("/path/to/some/folder")

因为某些算法（例如 Eigenfaces、Fisherfaces）要求您的图像大小相同，所以我添加了第二个参数 sz。通过传递元组sz，所有图像都被调整大小。所以下面的调用会将/path/to/some/folder中的所有图像调整为100x100像素。：

[X,y] = read_images("/path/to/some/folder", (100,100))

scikit-learn 中的所有分类器都派生自 BaseEstimator，它应该有 fit 和 predict 方法。 fit 方法获取样本列表X 和对应的标签y，因此映射到cv2.FaceRecognizer 的train 方法很简单。 predict 方法还获取样本列表和相应标签，但这次我们需要返回每个样本的预测：

from sklearn.base import BaseEstimator

class FaceRecognizerModel(BaseEstimator):

    def __init__(self):
        self.model = cv2.createEigenFaceRecognizer()

    def fit(self, X, y):
        self.model.train(X,y)

    def predict(self, T):
        return [self.model.predict(T[i]) for i in range(0, T.shape[0])]

然后，您可以在大量验证方法和指标之间进行选择，以测试 cv2.FaceRecognizer。你可以在sklearn.cross_validation找到可用的交叉验证算法：

留一法交叉验证 K 折交叉验证 分层 K 折交叉验证 Leave-One-Label-Out 交叉验证 带有替换交叉验证的随机抽样 [...]

为了估计cv2.FaceRecognizer 的识别率，我建议使用分层交叉验证。您可能会问为什么有人需要其他交叉验证方法。想象一下，你想用你的算法进行情绪识别。如果您的训练集包含与您一起测试算法的人的图像，会发生什么？您可能会找到与此人最接近的匹配项，但不会找到与情感最匹配的匹配项。在这些情况下，您应该执行与主题无关的交叉验证。

使用 scikit-learn 创建分层 k 折交叉验证迭代器非常简单：

from sklearn import cross_validation as cval
# Then we create a 10-fold cross validation iterator:
cv = cval.StratifiedKFold(y, 10)

我们可以选择多种指标。目前我只想知道模型的精度，所以我们导入可调用函数sklearn.metrics.precision_score：

from sklearn.metrics import precision_score

现在我们只需要创建我们的估算器并将estimator、X、y、precision_score 和cv 传递给cv，它会为我们计算交叉验证分数：

# Now we'll create a classifier, note we wrap it up in the 
# FaceRecognizerModel we have defined in this file. This is 
# done, so we can use it in the awesome scikit-learn library:
estimator = FaceRecognizerModel()
# And getting the precision_scores is then as easy as writing:
precision_scores = cval.cross_val_score(estimator, X, y, score_func=precision_score, cv=cv)

有大量可用的指标，请随意选择另一个：

https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/metrics/metrics.py

所以让我们把所有这些都放在一个脚本中吧！

验证.py

​​>

# Author: Philipp Wagner <[e-mail]>
# Released to public domain under terms of the BSD Simplified license.
#
# Redistribution and use in source and binary forms, with or without
# modification, are permitted provided that the following conditions are met:
#   * Redistributions of source code must retain the above copyright
#     notice, this list of conditions and the following disclaimer.
#   * Redistributions in binary form must reproduce the above copyright
#     notice, this list of conditions and the following disclaimer in the
#     documentation and/or other materials provided with the distribution.
#   * Neither the name of the organization nor the names of its contributors
#     may be used to endorse or promote products derived from this software
#     without specific prior written permission.
#
#   See <http://www.opensource.org/licenses/bsd-license>

import os
import sys
import cv2
import numpy as np

from sklearn import cross_validation as cval
from sklearn.base import BaseEstimator
from sklearn.metrics import precision_score

def read_images(path, sz=None):
    """Reads the images in a given folder, resizes images on the fly if size is given.

    Args:
        path: Path to a folder with subfolders representing the subjects (persons).
        sz: A tuple with the size Resizes 

    Returns:
        A list [X,y]

            X: The images, which is a Python list of numpy arrays.
            y: The corresponding labels (the unique number of the subject, person) in a Python list.
    """
    c = 0
    X,y = [], []
    for dirname, dirnames, filenames in os.walk(path):
        for subdirname in dirnames:
            subject_path = os.path.join(dirname, subdirname)
            for filename in os.listdir(subject_path):
                try:
                    im = cv2.imread(os.path.join(subject_path, filename), cv2.IMREAD_GRAYSCALE)
                    # resize to given size (if given)
                    if (sz is not None):
                        im = cv2.resize(im, sz)
                    X.append(np.asarray(im, dtype=np.uint8))
                    y.append(c)
                except IOError, (errno, strerror):
                    print "I/O error(0): 1".format(errno, strerror)
                except:
                    print "Unexpected error:", sys.exc_info()[0]
                    raise
            c = c+1
    return [X,y]

class FaceRecognizerModel(BaseEstimator):

    def __init__(self):
        self.model = cv2.createFisherFaceRecognizer()

    def fit(self, X, y):
        self.model.train(X,y)

    def predict(self, T):
        return [self.model.predict(T[i]) for i in range(0, T.shape[0])]

if __name__ == "__main__":
    # You'll need at least some images to perform the validation on:
    if len(sys.argv) < 2:
        print "USAGE: facerec_demo.py </path/to/images> [</path/to/store/images/at>]"
        sys.exit()
    # Read the images and corresponding labels into X and y.
    [X,y] = read_images(sys.argv[1])
    # Convert labels to 32bit integers. This is a workaround for 64bit machines,
    # because the labels will truncated else. This is fixed in recent OpenCV
    # revisions already, I just leave it here for people on older revisions.
    #
    # Thanks to Leo Dirac for reporting:
    y = np.asarray(y, dtype=np.int32)
    # Then we create a 10-fold cross validation iterator:
    cv = cval.StratifiedKFold(y, 10)
    # Now we'll create a classifier, note we wrap it up in the 
    # FaceRecognizerModel we have defined in this file. This is 
    # done, so we can use it in the awesome scikit-learn library:
    estimator = FaceRecognizerModel()
    # And getting the precision_scores is then as easy as writing:
    precision_scores = cval.cross_val_score(estimator, X, y, score_func=precision_score, cv=cv)
    # Let's print them:
    print precision_scores

运行脚本

上面的脚本将打印出 Fisherfaces 方法的精度分数。您只需要使用图像文件夹调用脚本：

philipp@mango:~/src/python$ python validation.py /home/philipp/facerec/data/at

Precision Scores:
[ 1.          0.85        0.925       0.9625      1.          0.9625
  0.8875      0.93333333  0.9625      0.925     ]

结论

结论是，使用开源项目让您的生活变得非常轻松！示例脚本有很多需要改进的地方。您可能想要添加一些日志记录，例如查看您所在的折叠。但这是评估您想要的任何指标的开始，只需通读 scikit-learn 教程以了解如何执行此操作并使其适应上述脚本。

我鼓励大家玩转 OpenCV Python 和 scikit-learn，因为如您所见，连接这两个伟大的项目真的非常简单。

【讨论】：

LBP和方法Eigenfaces方法如何得到精度分数？

【参考方案3】：

要分析时间性能，您可以使用Time 模块。

import time

time_1 = time.time()
result = <execute your code>
time_2 = time.time()
duration = time_2 - time_1

关于您的错误率，这实际上取决于您的用例。但是，我通常会保留一个我期望的结果列表，然后将其与我的分类算法返回的结果列表进行比较。然后可以使用它来计算错误率。

我希望这可以帮助您朝着正确的方向前进。