前提

感謝網絡上相頭的博客和資料，由於版本的原因有些api的更改使得源代碼不能直接使用，所以這裏放上自己基於opencv3.4做的測試。

流程

打開攝像頭
保存自己的頭像
整理自己頭像模型訓練
識別

淺出

打開攝像頭識別自己的頭像並保存

新建一個win32工程然後添加相關庫的引用可以參考opencv編譯後面的內容
打開攝像頭的代碼如下。原理是打開攝像頭識別人臉子如果有保存下來

int main()
{
	VideoCapture cap(0);    //打開默認攝像頭
	if(!cap.isOpened())
	{
	    return -1;
	}
	Mat frame;
	Mat edges;
	CascadeClassifier cascade, nestedCascade;
	bool stop = false;
	//訓練好的文件名稱，放置在可執行文件同目錄下
	cascade.load("haarcascade_frontalface_default.xml");
	nestedCascade.load("haarcascade_eye.xml");
	frame = imread("2.jpg");
	detectAndDraw(frame, cascade, nestedCascade, 2, 0);
	while(!stop)
	{
	    cap>>frame;
	    detectAndDraw( frame, cascade, nestedCascade,2,0 );
	    if(waitKey(30) >=0)
	        stop = true;
	}
	waitKey();
	return 0;
}
void detectAndDraw(Mat& img, CascadeClassifier& cascade,
	CascadeClassifier& nestedCascade,
	double scale, bool tryflip)
{
	

	std::vector<Rect> faces;
	Mat frame_gray;
	cvtColor(img, frame_gray, COLOR_BGR2GRAY);
	//檢測人臉
	//detectMultiScale函數中smallImg表示的是要檢測的輸入圖像爲smallImg，faces表示檢測到的人臉目標序列，1.1表示
	//每次圖像尺寸減小的比例爲1.1，2表示每一個目標至少要被檢測到3次纔算是真的目標(因爲周圍的像素和不同的窗口大
	//小都可以檢測到人臉),CV_HAAR_SCALE_IMAGE表示不是縮放分類器來檢測，而是縮放圖像，Size(30, 30)爲目標的
	//最小最大尺寸
	cascade.detectMultiScale(frame_gray, faces,
		1.1, 2, 0
		//|CV_HAAR_FIND_BIGGEST_OBJECT
		//|CV_HAAR_DO_ROUGH_SEARCH
		| CV_HAAR_SCALE_IMAGE
		, Size(30, 30));

	for (size_t i = 0; i < faces.size(); i++)
	{
		rectangle(img, faces[i], Scalar(255, 0, 0), 2, 8, 0);
	}

	if (faces.size() == 1)
	{
		Mat faceROI = img(faces[0]);
		Mat myFace;
		resize(faceROI, myFace, Size(92, 112));
		putText(img, to_string(1), faces[0].tl(), 3, 1.2, (0, 0, 255), 2, LINE_AA);

		string filename = format("C:\\Users\\lyy\\Desktop\\att_faces\\s41\\%d.jpg", pic_num);
		imwrite(filename, myFace);
		imshow(filename, myFace);
		waitKey(500);
		destroyWindow(filename);
		pic_num++;
		
	}
	
	imshow("識別結果", img);
}

整理數據

下載opencv教程給出的數據集AT&T這裏面有40個人的臉我們在裏面添加一個s41文件夾並把上一步保存的照片放進去測了了jpg的也可以，pgm的更好
然後整理出圖片信息文件可以用命令

dir /b /s *.pgm *.jpg >at.txt

然後生成如下格式的文件，生成的辦法可以自己手動更改上面的文件，也可以編程來實現語言不限了，官方給出了python腳本文件所以我們這裏用python，其實我更熟悉c#,安裝python 然後執行python命令，格式爲python 腳本文件路徑

#!/usr/bin/env python  
  
import sys  
import os.path  
 
if __name__ == "__main__":  
  
    #if len(sys.argv) != 2:  
    #    print "usage: create_csv <base_path>"  
    #    sys.exit(1)  
  
    #BASE_PATH=sys.argv[1]  
    BASE_PATH="C:\\Users\\lyy\\Desktop\\att_faces"        
    SEPARATOR=";"    
    fh = open("at.txt",'w')  
  
    for dirname, dirnames, filenames in os.walk(BASE_PATH):  
        for subdirname in dirnames:  
            subject_path = os.path.join(dirname, subdirname)  
            for filename in os.listdir(subject_path):
                subdirname2 = subdirname[::-1]
                subdirname3 = subdirname2[:-1]
                subdirname4 = subdirname3[::-1]
                
                #print subdirname2[:-1]
                label = int(subdirname4)           
                abs_path = "%s/%s" % (subject_path, filename)  
                print "%s%s%d" % (abs_path, SEPARATOR, label)  
                fh.write(abs_path)  
                fh.write(SEPARATOR)  
                fh.write(str(label))  
                fh.write("\n")        
            label = label + 1  
    fh.close()

4. 訓練自己

 ```   c++
 int main()
{

	//讀取你的CSV文件路徑.  
	//string fn_csv = string(argv[1]);  
	string fn_csv = "at.txt";

	// 2個容器來存放圖像數據和對應的標籤  
	vector<Mat> images;
	vector<int> labels;
	// 讀取數據. 如果文件不合法就會出錯  
	// 輸入的文件名已經有了.  
	try
	{
		read_csv(fn_csv, images, labels);
	}
	catch (cv::Exception& e)
	{
		cerr << "Error opening file \"" << fn_csv << "\". Reason: " << e.msg << endl;
		// 文件有問題，我們啥也做不了了，退出了  
		exit(1);
	}
	// 如果沒有讀取到足夠圖片，也退出.  
	if (images.size() <= 1) {
		string error_message = "This demo needs at least 2 images to work. Please add more images to your data set!";
		CV_Error(CV_StsError, error_message);
	}

	// 下面的幾行代碼僅僅是從你的數據集中移除最後一張圖片  
	//[gm:自然這裏需要根據自己的需要修改，他這裏簡化了很多問題]  
	Mat testSample = images[images.size() - 1];
	int testLabel = labels[labels.size() - 1];
	images.pop_back();
	labels.pop_back();
	// 下面幾行創建了一個特徵臉模型用於人臉識別，  
	// 通過CSV文件讀取的圖像和標籤訓練它。  
	// T這裏是一個完整的PCA變換  
	//如果你只想保留10個主成分，使用如下代碼  
	//      cv::createEigenFaceRecognizer(10);  
	//  
	// 如果你還希望使用置信度閾值來初始化，使用以下語句：  
	//      cv::createEigenFaceRecognizer(10, 123.0);  
	//  
	// 如果你使用所有特徵並且使用一個閾值，使用以下語句：  
	//      cv::createEigenFaceRecognizer(0, 123.0);  

	Ptr<BasicFaceRecognizer> model = EigenFaceRecognizer::create();
	model->train(images, labels);
	model->save("MyFacePCAModel.xml");

	Ptr<BasicFaceRecognizer> model1 = FisherFaceRecognizer::create();
	model1->train(images, labels);
	model1->save("MyFaceFisherModel.xml");

	Ptr<LBPHFaceRecognizer> model2 = LBPHFaceRecognizer::create();
	model2->train(images, labels);
	model2->save("MyFaceLBPHModel.xml");

	// 下面對測試圖像進行預測，predictedLabel是預測標籤結果  
	int predictedLabel = model->predict(testSample);
	int predictedLabel1 = model1->predict(testSample);
	int predictedLabel2 = model2->predict(testSample);

	// 還有一種調用方式，可以獲取結果同時得到閾值:  
	//      int predictedLabel = -1;  
	//      double confidence = 0.0;  
	//      model->predict(testSample, predictedLabel, confidence);  

	string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);
	string result_message1 = format("Predicted class = %d / Actual class = %d.", predictedLabel1, testLabel);
	string result_message2 = format("Predicted class = %d / Actual class = %d.", predictedLabel2, testLabel);
	cout << result_message << endl;
	cout << result_message1 << endl;
	cout << result_message2 << endl;

	getchar();
	//waitKey(0);
	return 0;
}

static Mat norm_0_255(InputArray _src) {
	Mat src = _src.getMat();
	// 創建和返回一個歸一化後的圖像矩陣:  
	Mat dst;
	switch (src.channels()) {
	case 1:
		cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC1);
		break;
	case 3:
		cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC3);
		break;
	default:
		src.copyTo(dst);
		break;
	}
	return dst;
}

//使用CSV文件去讀圖像和標籤，主要使用stringstream和getline方法  
static void read_csv(const string& filename, vector<Mat>& images, vector<int>& labels, char separator = ';') {
	std::ifstream file(filename.c_str(), ifstream::in);
	if (!file) {
		string error_message = "No valid input file was given, please check the given filename.";
		CV_Error(CV_StsBadArg, error_message);
	}
	string line, path, classlabel;
	while (getline(file, line)) {
		stringstream liness(line);
		getline(liness, path, separator);
		getline(liness, classlabel);
		if (!path.empty() && !classlabel.empty()) {
			images.push_back(imread(path, 0));
			labels.push_back(atoi(classlabel.c_str()));
		}
	}

tips :createEigenFaceRecognizer更改爲了EigenFaceRecognizer::create()
** FisherFaceRecognizer::create()與LBPHFaceRecognizer::create()同樣具體細節可以參看源碼**

識別自己

加載自己的xml文件然後執行與第一步差不多的代碼

int main3()
{
	VideoCapture cap(0);    //打開默認攝像頭  
	if (!cap.isOpened())
	{
		return -1;
	}
	Mat frame;
	Mat edges;
	Mat gray;
	CascadeClassifier cascade;
	bool stop = false;
	//訓練好的文件名稱，放置在可執行文件同目錄下  
	cascade.load("haarcascade_frontalface_alt.xml");
	
	Ptr<FaceRecognizer> modelPCA = EigenFaceRecognizer::create();
	modelPCA->read("MyFacePCAModel.xml");
	//3.4取消了load所以這裏用的read
	frame = imread("3.jpg");
	detectMyFace(frame, cascade, modelPCA);
	while (!stop)
	{
		cap >> frame;
		detectMyFace(frame, cascade, modelPCA);

		if (waitKey(30) >= 0)
			stop = true;
	}
	
	waitKey(0);
	return 0;
}
void detectMyFace(Mat& img, CascadeClassifier& cascade, Ptr<FaceRecognizer> modelPCA)
{
	
	std::vector<Rect> faces;
	Mat frame_gray;
	cvtColor(img, frame_gray, COLOR_BGR2GRAY);
	//改變圖像大小，使用雙線性差值  
	//resize(gray, smallImg, smallImg.size(), 0, 0, INTER_LINEAR);  
	//變換後的圖像進行直方圖均值化處理  
	//equalizeHist(gray, gray);

	cascade.detectMultiScale(frame_gray, faces,
		1.1, 2, 0
		//|CV_HAAR_FIND_BIGGEST_OBJECT  
		//|CV_HAAR_DO_ROUGH_SEARCH  
		| CV_HAAR_SCALE_IMAGE,
		Size(30, 30));


	Mat face;
	Point text_lb;

	for (size_t i = 0; i < faces.size(); i++)
	{
		if (faces[i].height > 0 && faces[i].width > 0)
		{
			face = frame_gray(faces[i]);
			text_lb = Point(faces[i].x, faces[i].y);

			rectangle(img, faces[i], Scalar(255, 0, 0), 1, 8, 0);
		}
	}

	Mat face_test;

	int predictPCA = 0;
	if (face.rows >= 120)
	{
		resize(face, face_test, Size(92, 112));

	}
	//Mat face_test_gray;  
	//cvtColor(face_test, face_test_gray, CV_BGR2GRAY);  

	if (!face_test.empty())
	{
		//測試圖像應該是灰度圖  
		predictPCA = modelPCA->predict(face_test);
	}

	cout << predictPCA << endl;
	if (predictPCA == 41)
	{
		string name = "liyangyang";
		putText(img, name, text_lb, FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255));
	}
	else
	{
		string name = "noliyangyang";
		putText(img, name, text_lb, FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255));
	}

	imshow("face", img);
}

3.4取消了load所以這裏用的read
最後附上結果圖

源碼都附上去了，其中很多都是參考網絡上的文檔，只有具體的細節和版本不同的函數做了更改。謝謝偉大的互聯網。

opencv讀取攝像頭訓練識別自己的頭像

前提

流程

淺出

打開攝像頭識別自己的頭像並保存

VS 2017 編譯問題

手動編譯opencv3.4版本以及顯示圖片

opencv入門-函數說明

opencv讀取攝像頭訓練識別自己的頭像

Electron.net入門

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結