1. 准备环境

将 Pycharm 接上 Anaconda 环境的解释器
（我这里是使用了 Anaconda 环境下自建的 tensorflow 虚拟环境）
如图所示

注：记得在 Anaconda Prompt (Anaconda3) 里提前安装好 opencv 和 opencv-contrib 模块

2.样本收集

使用电脑摄像头进行样本采集
我这里分别采集2个人的样本（各1000张）

注：

我这里是将样本数据采集到 “. ./03_DataSet/01_Grocery” 目录下，你可以根据需要自行更改路径
样本名称我这里统一使用了 image + 序号 .jpg 进行命名，方便后续训练时候进行遍历操作

第一个人：

import cv2

cap = cv2.VideoCapture(0)  # 打开摄像头0 / 若为“xxxx.mp4”则为视频文件
isOpened = cap.isOpened()  # 判断是否打开/ 为后续提供条件语句
fps = cap.get(cv2.CAP_PROP_FPS)
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
print(fps, width, height)

i = 0
while isOpened:
    if i == 1000:
        break
    else:
        i += 1
    (flag, frame) = cap.read()  # flag是否读取成功, frame为图片内容
    fileName = "image" + str(i) + ".jpg"
    if flag:
        cv2.imwrite(f"../03_DataSet/01_Grocery/{fileName}", frame, [cv2.IMWRITE_JPEG_QUALITY, 100])

    cv2.imshow("Hello!", frame)
    if cv2.waitKey(1) == ord("q"):
        break

print("END")

第二个人：

import cv2

cap = cv2.VideoCapture(0)  # 打开摄像头0 / 若为“xxxx.mp4”则为视频文件
isOpened = cap.isOpened()  # 判断是否打开/ 为后续提供条件语句
fps = cap.get(cv2.CAP_PROP_FPS)
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
print(fps, width, height)

i = 1000
while isOpened:
    if i == 2000:
        break
    else:
        i += 1
    (flag, frame) = cap.read()  # flag是否读取成功, frame为图片内容
    fileName = "image" + str(i) + ".jpg"
    if flag:
        cv2.imwrite(f"../03_DataSet/01_Grocery/{fileName}", frame, [cv2.IMWRITE_JPEG_QUALITY, 100])

    cv2.imshow("Hello!", frame)
    if cv2.waitKey(1) == ord("q"):
        break

print("END")

3.训练

简述步骤：

载入OpenCV自带的 haarcascade_frontalface_default.xml 分类器方便检测出人脸区域
samples_and_labels()函数：用于获取图像的像素数据以及给他们分别附上标签方便后续进行监督学习（这里说明一下：1.path是根据上述的样本所在路径设立的，如果样本在别处，请在这里修改成你自己的路径；）
使用opencv相关库中的 face模块的 LBPH算法进行训练

Notes：

samples_and_labels()函数实现包含了：读取图片 —> 灰度转换 —> 用face_xml分类器框出人脸区域 —> 在之中收集图片像素数据并分别附上人名标签（1是一个人的图片数据，2是另一个人的图片数据。。。如此类推）—> 返回人脸数据
我在1~~1000 附上了标签1 1001~~2000 附上标签2 （ 2个人）
train函数：参数1 为人脸像素数据参数2 为对应人脸标签

将数据保存到本目录下的 jackData_trainner.yml 文件内

import cv2
import numpy as np

face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')


def samples_and_labels():
    faceData = []
    ids = []
    for i in range(1, 2000):
        path = "../03_DataSet/01_Grocery/image" + str(i) + ".jpg"
        img = cv2.imread(path)
        imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        faces = face_xml.detectMultiScale(imgGray)

        for (x, y, w, h) in faces:
            if i <= 1000:
                ids.append(1)
            else:
                ids.append(2)
            faceData.append(imgGray[y:y+h, x:x+w])

    return faceData, ids


(faces, ids) = samples_and_labels()
print(faces, ids)
print("Training...")
jackData = cv2.face.LBPHFaceRecognizer_create()  # 创建LBPH

jackData.train(faces, np.array(ids))  # 参数1 为人脸像素数据  参数2 为对应人脸标签
jackData.save("jackData_trainner.yml")
print("Finish")

4.摄像头人脸检测

说明一下：

names收集的人名对应着训练模型中 ids-1
confidence变量的数值越大则置信度越低（就是越不像）
if ord(“q”) == cv2.waitKey(1):
```
 break 
```
这个代码功能为按下q 键退出摄像头检测

import cv2
import numpy as np

recog = cv2.face.LBPHFaceRecognizer_create()
recog.read("jackData_trainner.yml")
face_xml = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

names = ["name1", "name2"]


cap = cv2.VideoCapture(0)
isOpened = cap.isOpened()

while(isOpened):
    (flag, frame) = cap.read()
    frameGray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    face = face_xml.detectMultiScale(frameGray, 1.4, 3)

    for(x, y, w, h) in face:
        cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 255, 1), 2, cv2.LINE_AA)
        ids, confidence = recog.predict(frameGray[y:y+h, x:x+w])
        print(confidence)
        if confidence > 70:
            cv2.putText(frame, "Who are you?", (x, y-8), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 255), 2)
        else:
            cv2.putText(frame, names[ids-1], (x, y-8), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 255), 2)

    cv2.imshow("test", frame)
    if ord("q") == cv2.waitKey(1):
        break