#-----获取人脸样本-----
import cv2
 
#调用笔记本内置摄像头，参数为0，如果有其他的摄像头可以调整参数为1,2
cap = cv2.VideoCapture(0)
#调用人脸分类器，要根据实际路径调整3
face_detector = cv2.CascadeClassifier(r'X:/Users/73950/Desktop/FaceRec/haarcascade_frontalface_default.xml') #待更改
#为即将录入的脸标记一个id
face_id = input('\n User data input,Look at the camera and wait ...')
#sampleNum用来计数样本数目
count = 0
 
while True: 
 #从摄像头读取图片
 success,img = cap.read() 
 #转为灰度图片，减少程序符合，提高识别度
 if success is True: 
 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
 else: 
 break
 #检测人脸，将每一帧摄像头记录的数据带入OpenCv中，让Classifier判断人脸
 #其中gray为要检测的灰度图像，1.3为每次图像尺寸减小的比例，5为minNeighbors
 faces = face_detector.detectMultiScale(gray, 1.3, 5)
 
 #框选人脸，for循环保证一个能检测的实时动态视频流
 for (x, y, w, h) in faces:
 #xy为左上角的坐标,w为宽，h为高，用rectangle为人脸标记画框
 cv2.rectangle(img, (x, y), (x+w, y+w), (255, 0, 0))
 #成功框选则样本数增加
 count += 1 
 #保存图像，把灰度图片看成二维数组来检测人脸区域
 #(这里是建立了data的文件夹，当然也可以设置为其他路径或者调用数据库)
 cv2.imwrite("data/User."+str(face_id)+'.'+str(count)+'.jpg',gray[y:y+h,x:x+w]) 
 #显示图片
 cv2.imshow('image',img) 
 #保持画面的连续。waitkey方法可以绑定按键保证画面的收放，通过q键退出摄像
 k = cv2.waitKey(1) 
 if k == '27':
 break 
 #或者得到800个样本后退出摄像，这里可以根据实际情况修改数据量，实际测试后800张的效果是比较理想的
 elif count >= 800:
 break
 
#关闭摄像头，释放资源
cap.realease()
cv2.destroyAllWindows()

#-----建立模型、创建数据集-----#-----建立模型、创建数据集-----
 
import os
import cv2
import numpy as np
from PIL import Image
#导入pillow库，用于处理图像
#设置之前收集好的数据文件路径
path = 'data'
 
#初始化识别的方法
recog = cv2.face.LBPHFaceRecognizer_create()
 
#调用熟悉的人脸分类器
detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
 
#创建一个函数，用于从数据集文件夹中获取训练图片,并获取id
#注意图片的命名格式为User.id.sampleNum
def get_images_and_labels(path):
 image_paths = [os.path.join(path,f) for f in os.listdir(path)]
 #新建连个list用于存放
 face_samples = []
 ids = []
 
 #遍历图片路径，导入图片和id添加到list中
 for image_path in image_paths:
 
 #通过图片路径将其转换为灰度图片
 img = Image.open(image_path).convert('L')
 
 #将图片转化为数组
 img_np = np.array(img,'uint8')
 
 if os.path.split(image_path)[-1].split(".")[-1] != 'jpg':
  continue
 
 #为了获取id，将图片和路径分裂并获取
 id = int(os.path.split(image_path)[-1].split(".")[1])
 faces = detector.detectMultiScale(img_np)
 
 #将获取的图片和id添加到list中
 for(x,y,w,h) in faces:
  face_samples.append(img_np[y:y+h,x:x+w])
  ids.append(id)
 return face_samples,ids
 
#调用函数并将数据喂给识别器训练
print('Training...')
faces,ids = get_images_and_labels(path)
#训练模型
recog.train(faces,np.array(ids))
#保存模型
recog.save('trainner/trainner.yml')

#-----检测、校验并输出结果-----
import cv2
 
#准备好识别方法
recognizer = cv2.face.LBPHFaceRecognizer_create()
 
#使用之前训练好的模型
recognizer.read('trainner/trainner.yml')
 
#再次调用人脸分类器
cascade_path = "haarcascade_frontalface_default.xml" 
face_cascade = cv2.CascadeClassifier(cascade_path)
 
#加载一个字体，用于识别后，在图片上标注出对象的名字
font = cv2.FONT_HERSHEY_SIMPLEX
 
idnum = 0
#设置好与ID号码对应的用户名，如下，如0对应的就是初始
 
names = ['初始','admin','user1','user2','user3']
 
#调用摄像头
cam = cv2.VideoCapture(0)
minW = 0.1*cam.get(3)
minH = 0.1*cam.get(4)
 
while True:
 ret,img = cam.read()
 gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
 #识别人脸
 faces = face_cascade.detectMultiScale(
  gray,
  scaleFactor = 1.2,
  minNeighbors = 5,
  minSize = (int(minW),int(minH))
  )
 #进行校验
 for(x,y,w,h) in faces:
 cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
 idnum,confidence = recognizer.predict(gray[y:y+h,x:x+w])
 
 #计算出一个检验结果
 if confidence < 100:
  idum = names[idnum]
  confidence = "{0}%",format(round(100-confidence))
 else:
  idum = "unknown"
  confidence = "{0}%",format(round(100-confidence))
 
 #输出检验结果以及用户名
 cv2.putText(img,str(idum),(x+5,y-5),font,1,(0,0,255),1)
 cv2.putText(img,str(confidence),(x+5,y+h-5),font,1,(0,0,0),1)
 
 #展示结果
 cv2.imshow('camera',img)
 k = cv2.waitKey(20)
 if k == 27:
  break
 
#释放资源
cam.release()
cv2.destroyAllWindows()