JavaCV人脸识别三部曲之一：视频中的人脸保存为图片
先介绍人脸识别，再用JavaCV，将摄像头中的人脸提取出来保存为小图片，用于训练
欢迎访问我的GitHub
这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos
关于人脸识别
-
本文是《JavaCV人脸识别三部曲》的第一篇，在《JavaCV的摄像头实战之八：人脸检测》一文中，实现了检测人脸并用方框标注出来，但仅框出人脸作用不大，最好是识别出此人的身份，这样就能做很多事情了，例如签到、告警等，这就是接下来咱们要挑战的人脸识别
-
人脸识别涉及到两个步骤：训练和识别，接下来简单说明解释一下
-
先看什么是训练，如下图，用两位天王的六张照片来训练，一共两个类别，训练完成后得到模型文件faceRecognizer.xml：
-
训练成功后， 我们拿一张新的照片给模型去识别，得到的结果是训练时的类别，如此识别完成，我们已确定了新照片的身份：
-
下面用流程图将训练和识别说得更详细一些：
关于《JavaCV人脸识别三部曲》
《JavaCV人脸识别三部曲》一共三篇文章，内容如下：
- 《视频中的人脸保存为图片》：本篇介绍如何通过JavaCV将摄像头中的每个人脸都检测出来，并且把每个人脸保存为图片，这种方法可以让我们快速获取大量人脸照片用于训练
- 《训练》：讲述如何用分类好的照片去训练模型
- 《识别和预览》：拿到训练好的模型，去识别视频中每一帧的人脸，把结果标注到图片上预览
- 整个三部曲也是《JavaCV的摄像头实战》系列的一部分，分别是《JavaCV的摄像头实战》系列的的第九、第十、第十一篇
本篇概览
- 本篇要做的事情就是把训练用的照片准备好
- 您可能会疑惑：我自己去找一些照片不就行了吗？去网上搜、去相册搜、去拍照不都可以吗？没错，只要找到您想识别的人脸即可，而本篇介绍的是另一种方法：借助摄像头检测人脸，然后将人脸大小的照片保存在硬盘，用这些照片来训练，实测多张照片训练处的模型在检测新照片时效果更好
- 具体做法如下：
- 写个程序，对摄像头的照片做人脸检测，每个检测到的人脸，都作一张图片保存，注意不是摄像头视频帧的完整图片，而是检测出每张人脸，把这个人脸的矩形作为图片保存，而且保存的是灰度图片，不是彩色图片（训练和检测只需要灰度图片）
- 然后找个没人的地方运行程序，一个人对着摄像头，开始......搔首弄姿，各种光线明暗、各种角度、各种表情都用上，作为图片保存
- 用这些图片训练出的模型，由于覆盖了各种亮度、角度、表情，最终的识别效果会更好
- 接下来我们就来写这段程序吧
源码下载
- 《JavaCV的摄像头实战》的完整源码可在GitHub下载到，地址和链接信息如下表所示(https://github.com/zq2599/blog_demos)：
| 名称 | 链接 | 备注 |
|---|---|---|
| 项目主页 | https://github.com/zq2599/blog_demos | 该项目在GitHub上的主页 |
| git仓库地址(https) | https://github.com/zq2599/blog_demos.git | 该项目源码的仓库地址，https协议 |
| git仓库地址(ssh) | git@github.com:zq2599/blog_demos.git | 该项目源码的仓库地址，ssh协议 |
- 这个git项目中有多个文件夹，本篇的源码在javacv-tutorials文件夹下，如下图红框所示：
- javacv-tutorials里面有多个子工程，《JavaCV的摄像头实战》系列的代码在simple-grab-push工程下：
编码：检测服务
- 先定义一个检测有关的接口DetectService.java，如下，主要是定义了三个方法init、convert、releaseOutputResource，其中init用于初始化检测服务，convert负责处理单个帧（本篇就是检测出人脸、把人脸照片保存在硬盘），releaseOutputResource在结束的时候被执行，用于释放资源，另外还有个静态方法buildGrayImage，很简单，生成灰度图片对应的Mat对象：
package com.bolingcavalry.grabpush.extend;
import com.bolingcavalry.grabpush.Constants;
import org.bytedeco.javacv.Frame;
import org.bytedeco.javacv.OpenCVFrameConverter;
import org.bytedeco.opencv.opencv_core.*;
import org.bytedeco.opencv.opencv_objdetect.CascadeClassifier;
import static org.bytedeco.opencv.global.opencv_core.CV_8UC1;
import static org.bytedeco.opencv.global.opencv_imgcodecs.imwrite;
import static org.bytedeco.opencv.global.opencv_imgproc.*;
/**
* @author willzhao
* @version 1.0
* @description 检测工具的通用接口
* @date 2021/12/5 10:57
*/
public interface DetectService {
/**
* 根据传入的MAT构造相同尺寸的MAT，存放灰度图片用于以后的检测
* @param src 原始图片的MAT对象
* @return 相同尺寸的灰度图片的MAT对象
*/
static Mat buildGrayImage(Mat src) {
return new Mat(src.rows(), src.cols(), CV_8UC1);
}
/**
* 初始化操作，例如模型下载
* @throws Exception
*/
void init() throws Exception;
/**
* 得到原始帧，做识别，添加框选
* @param frame
* @return
*/
Frame convert(Frame frame);
/**
* 释放资源
*/
void releaseOutputResource();
}
- 然后就是DetectService的实现类DetectAndSaveService.java，完整代码如下，有几处要注意的地方稍后提到：
package com.bolingcavalry.grabpush.extend;
import com.bolingcavalry.grabpush.Constants;
import lombok.extern.slf4j.Slf4j;
import org.bytedeco.javacpp.Loader;
import org.bytedeco.javacv.Frame;
import org.bytedeco.javacv.OpenCVFrameConverter;
import org.bytedeco.opencv.opencv_core.*;
import org.bytedeco.opencv.opencv_objdetect.CascadeClassifier;
import java.io.File;
import java.net.URL;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.concurrent.atomic.AtomicInteger;
import static org.bytedeco.opencv.global.opencv_imgcodecs.imwrite;
import static org.bytedeco.opencv.global.opencv_imgproc.*;
/**
* @author willzhao
* @version 1.0
* @description 检测人脸并保存到硬盘的服务
* @date 2021/12/3 8:09
*/
@Slf4j
public class DetectAndSaveService implements DetectService {
/**
* 每一帧原始图片的对象
*/
private Mat grabbedImage = null;
/**
* 原始图片对应的灰度图片对象
*/
private Mat grayImage = null;
/**
* 分类器
*/
private CascadeClassifier classifier;
/**
* 转换器
*/
private OpenCVFrameConverter.ToMat converter = new OpenCVFrameConverter.ToMat();
/**
* 模型文件的下载地址
*/
private String modelFileUrl;
/**
* 存放人脸图片的位置
*/
private String basePath;
/**
* 记录图片总数
*/
private final AtomicInteger num = new AtomicInteger();
/**
* 训练的图片尺寸
*/
Size size = new Size(Constants.RESIZE_WIDTH, Constants.RESIZE_HEIGHT);
/**
* 构造方法，在此指定模型文件的下载地址
* @param modelFileUrl 人脸检测模型地址
* @param basePath 检测出的人脸小图在硬盘上的存放地址
*/
public DetectAndSaveService(String modelFileUrl, String basePath) {
this.modelFileUrl = modelFileUrl;
// 图片保存在硬盘的位置，注意文件名的固定前缀是当前的年月日时分秒
this.basePath = basePath
+ new SimpleDateFormat("yyyyMMddHHmmss").format(new Date())
+ "-";
}
/**
* 音频采样对象的初始化
* @throws Exception
*/
@Override
public void init() throws Exception {
// 下载模型文件
URL url = new URL(modelFileUrl);
File file = Loader.cacheResource(url);
// 模型文件下载后的完整地址
String classifierName = file.getAbsolutePath();
// 根据模型文件实例化分类器
classifier = new CascadeClassifier(classifierName);
if (classifier == null) {
log.error("Error loading classifier file [{}]", classifierName);
System.exit(1);
}
}
@Override
public Frame convert(Frame frame) {
// 由帧转为Mat
grabbedImage = converter.convert(frame);
// 灰度Mat，用于检测
if (null==grayImage) {
grayImage = DetectService.buildGrayImage(grabbedImage);
}
String filePath = basePath + num.incrementAndGet();
// 进行人脸识别，根据结果做处理得到预览窗口显示的帧
return detectAndSave(classifier, converter, frame, grabbedImage, grayImage, filePath , size);
}
/**
* 程序结束前，释放人脸识别的资源
*/
@Override
public void releaseOutputResource() {
if (null!=grabbedImage) {
grabbedImage.release();
}
if (null!=grayImage) {
grayImage.release();
}
if (null==classifier) {
classifier.close();
}
}
/**
*
* @param classifier 分类器
* @param converter 转换工具
* @param rawFrame 原始帧
* @param grabbedImage 原始图片的Mat对象
* @param grayImage 原始图片对应的灰度图片的Mat对象
* @param basePath 图片的基本路径
* @param size 训练时要求的图片大小
* @return
*/
static Frame detectAndSave(CascadeClassifier classifier,
OpenCVFrameConverter.ToMat converter,
Frame rawFrame,
Mat grabbedImage,
Mat grayImage,
String basePath,
Size size) {
// 当前图片转为灰度图片
cvtColor(grabbedImage, grayImage, CV_BGR2GRAY);
// 存放检测结果的容器
RectVector objects = new RectVector();
// 开始检测
classifier.detectMultiScale(grayImage, objects);
// 检测结果总数
long total = objects.size();
// 如果没有检测到结果就提前返回
if (total<1) {
return rawFrame;
}
// 假设现在是一个人对着摄像头，因为此时检测的结果如果大于1，显然是检测有问题
if (total>1) {
return rawFrame;
}
Mat faceMat;
// 如果有检测结果，就根据结果的数据构造矩形框，画在原图上
// 前面的判断确保了此时只有一个人脸
Rect r = objects.get(0);
// 从完整的灰度图中取得一个矩形小图的Mat对象
faceMat = new Mat(grayImage, r);
// 训练时用的图片尺寸是固定的，因此这里要调整大小
resize(faceMat, faceMat, size);
// 图片的保存位置
String imagePath = basePath + "." + Constants.IMG_TYPE;
// 保存图片到硬盘
imwrite(imagePath, faceMat);
// 人脸的位置信息
int x = r.x(), y = r.y(), w = r.width(), h = r.height();
// 在人脸上画矩形
rectangle(grabbedImage, new Point(x, y), new Point(x + w, y + h), Scalar.RED, 1, CV_AA, 0);
// 释放检测结果资源
objects.close();
// 将标注过的图片转为帧，返回
return converter.convert(grabbedImage);
}
}
- 上述代码有几处要注意：
- detectAndSave方法中，当前照片检测出的人脸数如果大于1就提前返回不做处理了，这是因为假定运行程序的时候，摄像头前面只有一个人，所以如果检测出超过一张人脸，就认为当前照片的检测不准确，就不再处理当前照片了（实际使用中发现常有检测失误的情况，例如把一个矩形盒子检测为人脸），这个提前返回的逻辑，您可以根据自己的环境去调整
- imwrite方法可以将Mat以图片的形式保存到硬盘
- 保存文件到磁盘前调用了resize方法，将图片调整为164*164大小，这是因为后面的训练和检测统一使用该尺寸
- 现在核心代码已经写完，需要再写一些代码来使用DetectAndSaveService
编码：运行框架
- 《JavaCV的摄像头实战之一：基础》创建的simple-grab-push工程中已经准备好了父类AbstractCameraApplication，所以本篇继续使用该工程，创建子类实现那些抽象方法即可
- 编码前先回顾父类的基础结构，如下图，粗体是父类定义的各个方法，红色块都是需要子类来实现抽象方法，所以接下来，咱们以本地窗口预览为目标实现这三个红色方法即可：
- 新建文件PreviewCameraWithDetectAndSave.java，这是AbstractCameraApplication的子类，其代码很简单，接下来按上图顺序依次说明
- 先定义CanvasFrame类型的成员变量previewCanvas，这是展示视频帧的本地窗口：
protected CanvasFrame previewCanvas
- 把前面创建的DetectService作为成员变量，后面检测的时候会用到：
/**
* 检测工具接口
*/
private DetectService detectService;
- PreviewCameraWithDetectAndSave的构造方法，接受DetectService的实例：
/**
* 不同的检测工具，可以通过构造方法传入
* @param detectService
*/
public PreviewCameraWithDetectAndSave(DetectService detectService) {
this.detectService = detectService;
}
- 然后是初始化操作，可见是previewCanvas的实例化和参数设置：
@Override
protected void initOutput() throws Exception {
previewCanvas = new CanvasFrame("摄像头预览，检测人脸并保存在硬盘", CanvasFrame.getDefaultGamma() / grabber.getGamma());
previewCanvas.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);
previewCanvas.setAlwaysOnTop(true);
// 检测服务的初始化操作
detectService.init();
}
- 接下来是output方法，定义了拿到每一帧视频数据后做什么事情，这里调用了detectService.convert检测人脸并保存图片，然后在本地窗口显示：
@Override
protected void output(Frame frame) {
// 原始帧先交给检测服务处理，这个处理包括物体检测，再将检测结果标注在原始图片上，
// 然后转换为帧返回
Frame detectedFrame = detectService.convert(frame);
// 预览窗口上显示的帧是标注了检测结果的帧
previewCanvas.showImage(detectedFrame);
}
- 最后是处理视频的循环结束后，程序退出前要做的事情，先关闭本地窗口，再释放检测服务的资源：
@Override
protected void releaseOutputResource() {
if (null!= previewCanvas) {
previewCanvas.dispose();
}
// 检测工具也要释放资源
detectService.releaseOutputResource();
}
- 由于检测有些耗时，所以两帧之间的间隔时间要低于普通预览：
@Override
protected int getInterval() {
return super.getInterval()/8;
}
- 至此，功能已开发完成，再写上main方法，在实例化DetectAndSaveService的时候注意入参有两个，第一个是人脸检测模型的下载地址，第二个是人脸照片保存在本地的位置，还有action方法的参数1000表示预览持续时间是1000秒：
public static void main(String[] args) {
String modelFileUrl = "https://raw.github.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_alt.xml";
new PreviewCameraWithDetectAndSave(
new DetectAndSaveService(
modelFileUrl,
"E:\\temp\\202112\\18\\001\\man"))
.action(1000);
}
抓取第一个人的照片
-
运行main方法，然后请群众演员A登场，看着他一个人对着摄像头，开始......搔首弄姿，各种光线明暗、各种角度、各种表情都用上吧，哎，不忍直视...
-
由于开启了预览窗口，因此可以看到摄像头拍摄的效果，出现红框的矩形最终都会被保存为图片，请注意调整角度和表情，群众演员A好像很热衷于自拍，玩得不亦乐乎，好吧，让他放飞自我：
-
检测的图片到了一定数量就可以结束了，我这里保存了259张，如下图：
-
对以上照片，建议是用肉眼检查一遍所有照片，把不是人脸的全部删除，我发现了十多张不是人脸的照片，例如下面这张把脸上的一部分识别成了人脸，显然是有问题的，这样的照片就删除吧，不要用在训练了：
-
上述照片全部保存在E:\temp\202112\18\001\man目录下
抓取第二个人的照片
-
修改代码，把main方法中存放图片的目录改成E:\temp\202112\18\001\woman，然后再次运行程序，请群众演员B登场，恳求她像前一位群众演员那样一个人对着摄像头，开始......搔首弄姿，各种光线明暗、各种角度、各种表情都用上吧
-
于是，我们又顺利拿到第二位群众演员的大量人脸图片，记得要肉眼观察每一张照片，把不准确的都删除掉
-
至此，借助前面编写的程序，我们轻松拿到了两位群众演员的大量人脸照片，其中A的照片保存在E:\temp\202112\18\001\man，B的照片保存在E:\temp\202112\18\001\woman：
-
至此，本篇的任务已经完成，下一篇会用这些照片进行训练，为最终的识别做好准备；
