摘要：我們把要做的事分成三部分創建數據集訓練識別在本文中，我們會嘗試寫一個程序來生成數據集。生成數據集我們來寫一個數據集生成腳本。為了不會將不同的人臉照片弄混，我們需要定一個命名規則，用于給照片命名。

在上一篇文章中，我們學習了如何安裝配置OpenCV和Python，然后寫了些代碼玩玩人臉檢測?，F在我們要進行下一步了，即搞一個人臉識別程序，就是不只是檢測還需要識別到人是誰。

要搞一個人臉識別程序，首先我們需要先用提前裁剪好的標注好的人臉照片訓練一個識別器。比如說，我們的識別器需要識別兩個人，一個人的id是1，而另一個的id是2，于是在數據集里面，1號人的所有照片會有id 1號，2號人同理。然后我們就會使用這些數據集照片去訓練識別器，再從一個視頻中識別出1號人。

我們把要做的事分成三部分：

創建數據集

訓練

識別

在本文中，我們會嘗試寫一個程序來生成數據集。

我們來寫一個數據集生成腳本。

首先打開我們的Python環境，不管是Pycharm等IDE，還是簡單的記事本都行。需要提前準備的是在目錄中放好haarcascade_frontalface_default.xml，上一篇也有用到過這個XML文件，就是OpenCV自帶的。

接下來使用cv2獲取攝像頭數據以及XML文件：

import cv2
cam = cv2.VideoCapture(0)
detector=cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

我們的數據集需要先從攝像頭采集一些人臉例子照片，當然，只能是同一個人的。然后程序會給這些例子照片添加id，并將照片保存在一個文件夾中，這個文件夾我們就將它命名為dataSet吧。

來，我們在py腳本的同目錄下創建一個dataSet的文件夾。為了不會將不同的人臉照片弄混，我們需要定一個命名規則，用于給照片命名。

例如，命名規則為User.[ID].[SampleNumber].jpg。如果是2號人的第十張照片，我們可以將它命名為User.2.10.jpg。

為什么要定義這樣的格式呢？因為這樣，在加載照片訓練的時候，我們就可以只通過照片的文件名，就能簡單地判斷是幾號用戶的人臉照片。

接下來，我們嘗試用比較簡單的方法，通過shell輸入，來獲取人的id，并且初始化計算器變量來存儲人們的例子數。

Id = raw_input("enter your id: ")
sampleNum = 0

然后我們加入一個主循環，我們會從視頻流中輸入20個例子，然后把例子都保存在已經創建好的dataSet文件夾。

這是之前寫過的代碼版本，用于人臉檢測：

while True:
    ret, img = cap.read()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = detector.detectMultiScale(gray, 1.3, 5)
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

    cv2.imshow("frame", img)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

現在我們將它改造成數據集生成程序：

while True:
    ret, img = cap.read()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = detector.detectMultiScale(gray, 1.3, 5)
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

        # 增加例子數
        sampleNum = sampleNum + 1
        # 把照片保存到數據集文件夾
        cv2.imwrite("dataSet/user." + str(Id) + "." + str(sampleNum) + ".jpg", gray[y:y + h, x:x + w])

        cv2.imshow("frame", img)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

我們添加了兩行代碼，用以計算例子數，以及將人臉照片按照我們的命名規則保存為jpg格式。

其中有一個值得注意的地方，就是gray[y : y + h, x : x + w]。此處我們是把一張灰度圖片看成一個二維數組（或二維矢量），然后使用python中[]截取OpenCV檢測出來的人臉區域。

不過這樣的代碼會在一秒內快速地生成許多照片，比如說20張。我們不想要那么快，我們需要的是更好的素材，比如說從不同角度拍攝出來的照片，這樣的話，要求慢一點。

為了慢一點，我們需要提高一下兩次拍攝之間的延遲。同時，我們素材不需要太多，20張就好。

while True:
    ret, img = cap.read()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = detector.detectMultiScale(gray, 1.3, 5)
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

        # 增加例子數 
        sampleNum = sampleNum + 1
        # 把照片保存到數據集文件夾
        cv2.imwrite("dataSet/User." + str(Id) + "." + str(sampleNum) + ".jpg", gray[y:y + h, x:x + w])  #

        cv2.imshow("frame", img)
    # 延遲100毫秒 
    if cv2.waitKey(100) & 0xFF == ord("q"):
        break
    # 超過20張就可以停了
    elif sampleNum > 20:
        break

好，繼續，現在的代碼就會在兩個拍攝間延遲100毫秒，100毫秒足夠讓我們去移動我們人臉的角度了（時間不夠長就再加）。而且，在拍攝20張后就停止了。

最后記得釋放資源：

cap.release()
cv2.destroyAllWindows()

放出完整代碼：

import cv2

detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
cap = cv2.VideoCapture(0)
sampleNum = 0
Id = raw_input("enter your id: ")

while True:
    ret, img = cap.read()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = detector.detectMultiScale(gray, 1.3, 5)
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

        # incrementing sample number
        sampleNum = sampleNum + 1
        # saving the captured face in the dataset folder
        cv2.imwrite("dataSet/User." + str(Id) + "." + str(sampleNum) + ".jpg", gray[y:y + h, x:x + w])  #

        cv2.imshow("frame", img)
    # wait for 100 miliseconds
    if cv2.waitKey(100) & 0xFF == ord("q"):
        break
    # break if the sample number is morethan 20
    elif sampleNum > 20:
        break

cap.release()
cv2.destroyAllWindows()

如圖，已經生成了一堆訓練素材了。

先這樣吧

原文，若有錯誤之處請指出，更多地關注煎魚。