import cv2import numpy as npimport osimport shutilimport threadingimport tkinter as tkfrom PIL import Image, ImageTk

# 首先读取config文件，第一行代表当前已经储存的人名个数，接下来每一行是（id，name）标签和对应的人名id_dict = {} # 字典里存的是id——name键值对Total_face_num = 999 # 已经被识别有用户名的人脸个数,

def init(): # 将config文件内的信息读入到字典中 f = open('config.txt') global Total_face_num Total_face_num = int(f.readline())

for i in range(int(Total_face_num)): line = f.readline() id_name = line.split(' ') id_dict[int(id_name[0])] = id_name[1] f.close()

init()

# 加载OpenCV人脸检测分类器Haarface_cascade = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

# 准备好识别方法LBPH方法recognizer = cv2.face.LBPHFaceRecognizer_create()

# 打开标号为0的摄像头camera = cv2.VideoCapture(0) # 摄像头success, img = camera.read() # 从摄像头读取照片W_size = 0.1 * camera.get(3)H_size = 0.1 * camera.get(4)

system_state_lock = 0 # 标志系统状态的量 0表示无子线程在运行 1表示正在刷脸 2表示正在录入新面孔。# 相当于mutex锁，用于线程同步

'''============================================================================================以上是初始化============================================================================================'''

def Get_new_face(): print("正在从摄像头录入新人脸信息 \n")

# 存在目录data就清空，不存在就创建，确保最后存在空的data目录 filepath = "data" if not os.path.exists(filepath): os.mkdir(filepath) else: shutil.rmtree(filepath) os.mkdir(filepath)

sample_num = 0 # 已经获得的样本数

while True: # 从摄像头读取图片

global success global img # 因为要显示在可视化的控件内，所以要用全局的 success, img = camera.read()

# 转为灰度图片 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 face_detector = face_cascade 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)) # 样本数加1 sample_num += 1 # 保存图像，把灰度图片看成二维数组来检测人脸区域，这里是保存在data缓冲文件夹内 T = Total_face_num cv2.imwrite("./data/User." + str(T) + '.' + str(sample_num) + '.jpg', gray[y:y + h, x:x + w])

pictur_num = 30 # 表示摄像头拍摄取样的数量,越多效果越好，但获取以及训练的越慢

cv2.waitKey(1) if sample_num > pictur_num: break else: # 控制台内输出进度条 l = int(sample_num / pictur_num * 50) r = int((pictur_num - sample_num) / pictur_num * 50) print("\r" + "%{:.1f}".format(sample_num / pictur_num * 100) + "=" * l + "->" + "_" * r, end="") var.set("%{:.1f}".format(sample_num / pictur_num * 100)) # 控件可视化进度信息 # tk.Tk().update() window.update() # 刷新控件以实时显示进度

def Train_new_face(): print("\n正在训练") # cv2.destroyAllWindows() path = 'data'

# 初始化识别的方法 recog = cv2.face.LBPHFaceRecognizer_create()

# 调用函数并将数据喂给识别器训练 faces, ids = get_images_and_labels(path) print('本次用于训练的识别码为:') # 调试信息 print(ids) # 输出识别码

# 训练模型 #将输入的所有图片转成四维数组 recog.train(faces, np.array(ids)) # 保存模型

yml = str(Total_face_num) + ".yml" rec_f = open(yml, "w+") rec_f.close() recog.save(yml)

# recog.save('aaa.yml')

# 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.sampleNumdef 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])

# 调用熟悉的人脸分类器 detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

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

def write_config(): print("新人脸训练结束") f = open('config.txt', "a") T = Total_face_num f.write(str(T) + " User" + str(T) + " \n") f.close() id_dict[T] = "User" + str(T)

# 这里修改文件的方式是先读入内存，然后修改内存中的数据，最后写回文件 f = open('config.txt', 'r+') flist = f.readlines() flist[0] = str(int(flist[0]) + 1) + " \n" f.close()

f = open('config.txt', 'w+') f.writelines(flist) f.close()

'''============================================================================================以上是录入新人脸信息功能的实现============================================================================================'''

def scan_face(): # 使用之前训练好的模型 for i in range(Total_face_num): # 每个识别器都要用 i += 1 yml = str(i) + ".yml" print("\n本次:" + yml) # 调试信息 recognizer.read(yml)

ave_poss = 0 for times in range(10): # 每个识别器扫描十遍 times += 1 cur_poss = 0 global success global img

global system_state_lock while system_state_lock == 2: # 如果正在录入新面孔就阻塞 print("\r刷脸被录入面容阻塞", end="") pass

success, img = camera.read() gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 识别人脸 faces = face_cascade.detectMultiScale( gray, scaleFactor=1.2, minNeighbors=5, minSize=(int(W_size), int(H_size)) ) # 进行校验 for (x, y, w, h) in faces:

# global system_state_lock while system_state_lock == 2: # 如果正在录入新面孔就阻塞 print("\r刷脸被录入面容阻塞", end="") pass # 这里调用Cv2中的rectangle函数 在人脸周围画一个矩形 cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) # 调用分类器的预测函数，接收返回值标签和置信度 idnum, confidence = recognizer.predict(gray[y:y + h, x:x + w]) conf = confidence # 计算出一个检验结果 if confidence < 100: # 可以识别出已经训练的对象——直接输出姓名在屏幕上 if idnum in id_dict: user_name = id_dict[idnum] else: # print("无法识别的ID:{}\t".format(idnum), end="") user_name = "Untagged user:" + str(idnum) confidence = "{0}%", format(round(100 - confidence)) else: # 无法识别此对象，那么就开始训练 user_name = "unknown" # print("检测到陌生人脸\n")

# cv2.destroyAllWindows() # global Total_face_num # Total_face_num += 1 # Get_new_face() # 采集新人脸 # Train_new_face() # 训练采集到的新人脸 # write_config() # 修改配置文件 # recognizer.read('aaa.yml') # 读取新识别器

# 加载一个字体用于输出识别对象的信息 font = cv2.FONT_HERSHEY_SIMPLEX

# 输出检验结果以及用户名 cv2.putText(img, str(user_name), (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)

print("conf=" + str(conf), end="\t") if 15 > conf > 0: cur_poss = 1 # 表示可以识别 elif 60 > conf > 35: cur_poss = 1 # 表示可以识别 else: cur_poss = 0 # 表示不可以识别

k = cv2.waitKey(1) if k == 27: # cam.release() # 释放资源 cv2.destroyAllWindows() break

ave_poss += cur_poss

if ave_poss >= 5: # 有一半以上识别说明可行则返回 return i

return 0 # 全部过一遍还没识别出说明无法识别

'''============================================================================================以上是关于刷脸功能的设计============================================================================================'''

def f_scan_face_thread(): # 使用之前训练好的模型 # recognizer.read('aaa.yml') var.set('刷脸') ans = scan_face() if ans == 0: print("最终结果：无法识别") var.set("最终结果：无法识别")

else: ans_name = "最终结果：" + str(ans) + id_dict[ans] print(ans_name) var.set(ans_name)

global system_state_lock print("锁被释放0") system_state_lock = 0 # 修改system_state_lock,释放资源

def f_scan_face(): global system_state_lock print("\n当前锁的值为：" + str(system_state_lock)) if system_state_lock == 1: print("阻塞，因为正在刷脸") return 0 elif system_state_lock == 2: # 如果正在录入新面孔就阻塞 print("\n刷脸被录入面容阻塞\n" "") return 0 system_state_lock = 1 p = threading.Thread(target=f_scan_face_thread) p.setDaemon(True) # 把线程P设置为守护线程 若主线程退出 P也跟着退出 p.start()

def f_rec_face_thread(): var.set('录入') cv2.destroyAllWindows() global Total_face_num Total_face_num += 1 Get_new_face() # 采集新人脸 print("采集完毕，开始训练") global system_state_lock # 采集完就可以解开锁 print("锁被释放0") system_state_lock = 0

Train_new_face() # 训练采集到的新人脸 write_config() # 修改配置文件

# recognizer.read('aaa.yml') # 读取新识别器

# global system_state_lock# print("锁被释放0")# system_state_lock = 0 # 修改system_state_lock,释放资源

def f_rec_face(): global system_state_lock print("当前锁的值为：" + str(system_state_lock)) if system_state_lock == 2: print("阻塞，因为正在录入面容") return 0 else: system_state_lock = 2 # 修改system_state_lock print("改为2", end="") print("当前锁的值为：" + str(system_state_lock))

p = threading.Thread(target=f_rec_face_thread) p.setDaemon(True) # 把线程P设置为守护线程 若主线程退出 P也跟着退出 p.start() # tk.Tk().update()

# system_state_lock = 0 # 修改system_state_lock,释放资源

def f_exit(): # 退出按钮 exit()

'''============================================================================================以上是关于多线程的设计============================================================================================'''

window = tk.Tk()window.title('Cheney\' Face_rec 3.0') # 窗口标题window.geometry('1000x500') # 这里的乘是小x

# 在图形界面上设定标签，类似于一个提示窗口的作用var = tk.StringVar()l = tk.Label(window, textvariable=var, bg='green', fg='white', font=('Arial', 12), width=50, height=4)# 说明： bg为背景，fg为字体颜色，font为字体，width为长，height为高，这里的长和高是字符的长和高，比如height=2,就是标签有2个字符这么高l.pack() # 放置l控件

# 在窗口界面设置放置Button按键并绑定处理函数button_a = tk.Button(window, text='开始刷脸', font=('Arial', 12), width=10, height=2, command=f_scan_face)button_a.place(x=800, y=120)

button_b = tk.Button(window, text='录入人脸', font=('Arial', 12), width=10, height=2, command=f_rec_face)button_b.place(x=800, y=220)

button_b = tk.Button(window, text='退出', font=('Arial', 12), width=10, height=2, command=f_exit)button_b.place(x=800, y=320)

panel = tk.Label(window, width=500, height=350) # 摄像头模块大小panel.place(x=10, y=100) # 摄像头模块的位置window.config(cursor="arrow")

def video_loop(): # 用于在label内动态展示摄像头内容（摄像头嵌入控件） # success, img = camera.read() # 从摄像头读取照片 global success global img if success: cv2.waitKey(1) cv2image = cv2.cvtColor(img, cv2.COLOR_BGR2RGBA) # 转换颜色从BGR到RGBA current_image = Image.fromarray(cv2image) # 将图像转换成Image对象 imgtk = ImageTk.PhotoImage(image=current_image) panel.imgtk = imgtk panel.config(image=imgtk) window.after(1, video_loop)

video_loop()

# 窗口循环，用于显示window.mainloop()

'''============================================================================================以上是关于界面的设计============================================================================================'''