包 org.opencv.face

类 FaceRecognizer

  • 直接已知子类
    BasicFaceRecognizer, LBPHFaceRecognizer
    public class FaceRecognizer
extends Algorithm
    所有人脸识别模型的抽象基类。OpenCV 中的所有人脸识别模型都派生自抽象基类 FaceRecognizer，它提供了对 OpenCV 中所有人脸识别算法的统一访问接口。### 描述 我将更详细地解释 FaceRecognizer，因为它乍看起来不像一个强大的接口。但是：每个 FaceRecognizer 都是一个 Algorithm（算法），因此您可以轻松地获取/设置所有模型内部参数（如果实现允许）。Algorithm 是一个相对较新的 OpenCV 概念，自 2.4 版本以来可用。我建议您查看其描述。Algorithm 为所有派生类提供了以下特性：
    • 所谓的“虚构造函数”。也就是说，每个 Algorithm 派生类都在程序启动时注册，您可以通过其名称获取已注册算法的列表并创建特定算法的实例（参见 Algorithm::create）。如果您计划添加自己的算法，最佳实践是为您的算法添加一个唯一的名称前缀，以区别于其他算法。
    • 按名称设置/检索算法参数。如果您使用过 OpenCV highgui 模块的视频捕获功能，您可能熟悉 cv::cvSetCaptureProperty、ocvcvGetCaptureProperty、VideoCapture::set 和 VideoCapture::get。Algorithm 提供了类似的方法，您可以使用文本字符串指定参数名称，而不是整数 ID。详情请参见 Algorithm::set 和 Algorithm::get。
    • 从 XML 或 YAML 文件读取和写入参数。每个 Algorithm 派生类都可以存储其所有参数，然后将其读回。无需每次都重新实现。
    此外，每个 FaceRecognizer 都支持：
    • 使用 FaceRecognizer::train 在给定图像集（您的人脸数据库！）上对 FaceRecognizer 进行训练。
    • 对给定样本图像（即一张人脸）进行预测。图像以 Mat 形式给出。
    • 从/向给定 XML 或 YAML 文件加载/保存模型状态。
    • 设置/获取标签信息，这些信息以字符串形式存储。字符串标签信息对于保存已识别人员的姓名非常有用。
    注意：当结合 Python 使用 FaceRecognizer 接口时，请坚持使用 Python 2。一些底层脚本（如 create_csv）在其他版本（如 Python 3）中将无法工作。设置阈值 +++++++++++++++++++++++ 有时您会遇到想要对预测应用阈值的情况。人脸识别中的一个常见场景是判断一张人脸是属于训练数据集，还是未知人脸。您可能想知道为什么 FaceRecognizer 中没有公共 API 来设置预测阈值，但请放心：它受支持。这仅仅意味着在抽象类中没有一种通用的方式来提供一个接口，用于设置/获取*所有可能*的 FaceRecognizer 算法的阈值。设置阈值的适当位置是在特定 FaceRecognizer 的构造函数中，并且由于每个 FaceRecognizer 都是一个 Algorithm（见上文），您可以在运行时获取/设置阈值！以下是在创建模型时为特征脸 (Eigenfaces) 方法设置阈值的示例： // 假设我们希望保留 10 个特征脸，阈值为 10.0 int num_components = 10; double threshold = 10.0; // 如果您想要一个带有置信度阈值的 cv::FaceRecognizer，// 请使用适当的参数创建具体实现： Ptr<FaceRecognizer> model = EigenFaceRecognizer::create(num_components, threshold); 有时无法训练模型，只是为了试验阈值。多亏了 Algorithm，可以在运行时设置内部模型阈值。让我们看看如何设置/获取上面创建的 Eigenface 模型的预测阈值： // 以下行从 Eigenfaces 模型中读取阈值： double current_threshold = model->getDouble("threshold"); // 此行将阈值设置为 0.0： model->set("threshold", 0.0); 如果您像我们上面那样将阈值设置为 0.0，那么： // Mat img = imread("person1/3.jpg", IMREAD_GRAYSCALE); // 从模型中获取预测。注意：我们上面设置的阈值为 0.0，// 由于距离几乎总是大于 0.0，您将得到 -1 作为// 标签，这表示此人脸是未知的 int predicted_label = model->predict(img); // ... 将产生 -1 作为预测标签，表示此人脸未知。### 获取 FaceRecognizer 的名称 由于每个 FaceRecognizer 都是一个 Algorithm，您可以使用 Algorithm::name 来获取 FaceRecognizer 的名称： // 创建一个 FaceRecognizer： Ptr<FaceRecognizer> model = EigenFaceRecognizer::create(); // 这是获取其名称的方法： String name = model->name();

    • 构造函数摘要

      构造函数 
      修饰符 构造函数 描述
      保护 FaceRecognizer​(long addr)  

    • 方法摘要

      所有方法 静态方法 实例方法 具体方法 
      修饰符和类型 方法 描述
      static FaceRecognizer __fromPtr__​(long addr)  
      protected void finalize()  
      java.lang.String getLabelInfo​(int label)
      按标签获取字符串信息。
      MatOfInt getLabelsByString​(java.lang.String str)
      按字符串获取标签向量。
      void predict​(Mat src, int[] label, double[] confidence)
      预测标签和相关置信度（例如
      void predict_collect​(Mat src, PredictCollector collector)
      如果已实现 - 将所有预测结果发送到收集器，可用于某种自定义结果处理
      int predict_label​(Mat src)  
      void read​(java.lang.String filename)
      加载 FaceRecognizer 及其模型状态。
      void setLabelInfo​(int label, java.lang.String strInfo)
      为指定模型的标签设置字符串信息。
      void train​(java.util.List<Mat> src, Mat labels)
      使用给定数据和相关标签训练 FaceRecognizer。
      void update​(java.util.List<Mat> src, Mat labels)
      使用给定数据和相关标签更新 FaceRecognizer。
      void write​(java.lang.String filename)
      保存人脸识别器及其模型状态。

      • 从类继承的方法 java.lang.Object

        clone, equals, getClass, hashCode, notify, notifyAll, toString, wait, wait, wait

    • 构造函数详细信息

      • FaceRecognizer

        protected FaceRecognizer​(long addr)

    • 方法详细信息

      • __fromPtr__

        public static FaceRecognizer __fromPtr__​(long addr)

      • train

        public void train​(java.util.List<Mat> src,
                  Mat labels)
        使用给定数据和相关标签训练 FaceRecognizer。
        参数
        src - 训练图像，即您希望学习的人脸。数据必须以 vector<Mat> 的形式给出。
        labels - 与图像对应的标签必须以 vector<int> 或类型为 CV_32SC1 的 Mat 形式给出。以下源代码片段展示了如何在给定图像集上学习一个费舍尔脸 (Fisherfaces) 模型。图像通过 imread 读取并推入 std::vector<Mat>。每张图像的标签存储在 std::vector<int> 中（您也可以使用类型为 CV_32SC1 的 Mat）。将标签视为该图像所属的主题（人物），因此相同的主题（人物）应具有相同的标签。对于可用的 FaceRecognizer，您无需关注标签的顺序，只需确保同一个人具有相同的标签即可： // 存放图像和标签 vector<Mat> images; vector<int> labels; // 使用 CV_32SC1 类型的 Mat // Mat labels(number_of_samples, 1, CV_32SC1); // 第一个人的图像 images.push_back(imread("person0/0.jpg", IMREAD_GRAYSCALE)); labels.push_back(0); images.push_back(imread("person0/1.jpg", IMREAD_GRAYSCALE)); labels.push_back(0); images.push_back(imread("person0/2.jpg", IMREAD_GRAYSCALE)); labels.push_back(0); // 第二个人的图像 images.push_back(imread("person1/0.jpg", IMREAD_GRAYSCALE)); labels.push_back(1); images.push_back(imread("person1/1.jpg", IMREAD_GRAYSCALE)); labels.push_back(1); images.push_back(imread("person1/2.jpg", IMREAD_GRAYSCALE)); labels.push_back(1); 现在您已经读取了一些图像，我们可以创建一个新的 FaceRecognizer。在此示例中，我将创建一个费舍尔脸 (Fisherfaces) 模型，并决定保留所有可能的费舍尔脸： // 创建一个新的费舍尔脸模型并保留所有可用的费舍尔脸，// 这是此特定 FaceRecognizer 最常见的用法： // Ptr<FaceRecognizer> model = FisherFaceRecognizer::create(); 最后，在给定数据集（人脸图像和标签）上对其进行训练： // 这是训练所有可用 cv::FaceRecognizer // 实现的通用接口： // model->train(images, labels);

      • update

        public void update​(java.util.List<Mat> src,
                   Mat labels)
        使用给定数据和相关标签更新 FaceRecognizer。
        参数
        src - 训练图像，即您希望学习的人脸。数据必须以 vector<Mat> 的形式给出。
        labels - 与图像对应的标签必须以 vector<int> 或类型为 CV_32SC1 的 Mat 形式给出。此方法更新一个（可能已训练的）FaceRecognizer，但仅当算法支持时。局部二值模式直方图 (Local Binary Patterns Histograms, LBPH) 识别器（参见 createLBPHFaceRecognizer）可以更新。对于特征脸 (Eigenfaces) 和费舍尔脸 (Fisherfaces) 方法，这在算法上是不可能的，您必须使用 FaceRecognizer::train 重新估计模型。无论如何，调用 train 会清空现有模型并学习一个新模型，而 update 不会删除任何模型数据。 // 创建一个新的 LBPH 模型（它可以被更新）并使用默认参数，// 这是此特定 FaceRecognizer 最常见的用法： // Ptr<FaceRecognizer> model = LBPHFaceRecognizer::create(); // 这是训练所有可用 cv::FaceRecognizer // 实现的通用接口： // model->train(images, labels); // 存放新图像的容器： vector<Mat> newImages; vector<int> newLabels; // 您应该向容器中添加一些图像： // // ... // // 现在更新模型就像调用以下代码一样简单： model->update(newImages,newLabels); // 这将保留旧的模型数据，并用从 newImages 中提取的新特征 // 扩展现有模型！ 在不支持更新的特征脸 (Eigenfaces) 模型（参见 EigenFaceRecognizer::create）上调用 update 将抛出类似以下内容的错误： OpenCV Error: The function/feature is not implemented (This FaceRecognizer (FaceRecognizer.Eigenfaces) does not support updating, you have to use FaceRecognizer::train to update it.) in update, file /home/philipp/git/opencv/modules/contrib/src/facerec.cpp, line 305 terminate called after throwing an instance of 'cv::Exception' 注意：FaceRecognizer 不会存储您的训练图像，因为这会非常耗费内存，而且这不是 FaceRecognizer 的职责。调用者负责维护其希望使用的数据集。

      • predict_label

        public int predict_label​(Mat src)

      • predict

        public void predict​(Mat src,
                    int[] label,
                    double[] confidence)
        对给定输入图像预测标签和相关置信度（例如，距离）。
        参数
        src - 用于获取预测的样本图像。
        label - 给定图像的预测标签。
        confidence - 预测标签的相关置信度（例如，距离）。后缀 const 意味着预测不影响内部模型状态，因此该方法可以在不同线程中安全调用。以下示例展示了如何从已训练的模型中获取预测： using namespace cv; // 在此处进行初始化（创建 cv::FaceRecognizer 模型） ... // ... // 读取样本图像： Mat img = imread("person1/3.jpg", IMREAD_GRAYSCALE); // 并从 cv::FaceRecognizer 获取预测： int predicted = model->predict(img); 或者获取预测和相关置信度（例如，距离）： using namespace cv; // 在此处进行初始化（创建 cv::FaceRecognizer 模型） ... // ... Mat img = imread("person1/3.jpg", IMREAD_GRAYSCALE); // 预测标签和相关置信度（例如，距离）的一些变量： int predicted_label = -1; double predicted_confidence = 0.0; // 从模型中获取预测和相关置信度 model->predict(img, predicted_label, predicted_confidence);

      • predict_collect

        public void predict_collect​(Mat src,
                            PredictCollector collector)
        • 如果已实现 - 将所有预测结果发送到收集器，可用于某种自定义结果处理
        参数
        src - 用于获取预测的样本图像。
        collector - 接受所有结果的用户定义收集器对象。要实现此方法，您只需执行与 predict(InputArray src, CV_OUT int &label, CV_OUT double &confidence) 中相同的内部循环，但不要尝试获取“最佳”结果，只需使用给定收集器将其重新发送到调用者侧。

      • 写

        public void write​(java.lang.String filename)
        保存 FaceRecognizer 及其模型状态。将此模型保存到给定文件名，可以是 XML 或 YAML 格式。
        参数
        filename - 用于存储此 FaceRecognizer 的文件名（XML/YAML 格式）。每个 FaceRecognizer 都重写 FaceRecognizer::save(FileStorage& fs) 以保存内部模型状态。FaceRecognizer::save(const String& filename) 将模型状态保存到给定文件名。后缀 const 意味着预测不影响内部模型状态，因此该方法可以在不同线程中安全调用。

      • read

        public void read​(java.lang.String filename)
        加载 FaceRecognizer 及其模型状态。从给定的 XML 或 YAML 文件加载持久化的模型和状态。每个 FaceRecognizer 都必须重写 FaceRecognizer::load(FileStorage& fs) 以启用加载模型状态。FaceRecognizer::load(const String& filename) 反过来会调用 FaceRecognizer::load(FileStorage& fs)，以方便保存模型。
        参数
        filename - 自动生成

      • setLabelInfo

        public void setLabelInfo​(int label,
                         java.lang.String strInfo)
        为指定模型的标签设置字符串信息。如果先前为指定标签设置了字符串信息，则会替换为提供的值。
        参数
        label - 自动生成
        strInfo - 自动生成

      • getLabelInfo

        public java.lang.String getLabelInfo​(int label)
        通过标签获取字符串信息。如果提供了未知的标签 ID，或者没有与指定标签 ID 关联的标签信息，则该方法返回一个空字符串。
        参数
        label - 自动生成
        返回
        自动生成

      • getLabelsByString

        public MatOfInt getLabelsByString​(java.lang.String str)
        通过字符串获取标签向量。该函数在相关字符串信息中搜索包含指定子字符串的标签。
        参数
        str - 自动生成
        返回
        自动生成

      • finalize

        protected void finalize()
                 throws java.lang.Throwable
        重写
        finalize 在类 Algorithm 中
        抛出
        java.lang.Throwable