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

《JavaCV人脸识别三部曲》链接《视频中的人脸保存为图片》《训练》《识别和预览》本篇概览

作为《JavaCV人脸识别三部曲》的终篇，今天咱们要开发一个实用的功能：有人出现在摄像头中时，应用程序在预览窗口标注出此人的身份，效果如下图所示：

(相关资料图)

简单来说，本篇要做的事情如下：

理解重点概念：confidence理解重点概念：threshold编码验证今天编写的代码，主要功能如下图所示：理解重点概念：confidence

confidence和threshold是OpenCV的人脸识别中非常重要的两个概念，咱们先把这两个概念搞清楚，再去编码就非常容易了

假设，咱们用下面六张照片训练出包含两个类别的模型：

用一张新的照片去训练好的模型中做识别，如下图，识别结果有两部分内容：label和confidence

先说lable，这个好理解，与训练时的lable一致（回顾上一篇的代码，lable如下图红框所示），前面图中lable等于2，表示被判定为郭富城：

按照上面的说法，lable等于2就能确定照片中的人像是郭富城吗？

当然不能！！！此时confidence字段就非常重要了，先看JavaCV源码中对confidence的解释，如下图红框所示，我的理解是：与lable值相关联的置信度，或者说这张脸是郭富城的可能性：

如果理解为可能性，那么问题来了，这是个double型的值，这个值越大，表示可能性越大还是越小？

上图并没有明说，但是那一句e.g. distance，让我想起了机器学习中的K-means，此时我脑海中的画面如下：-若真如上图所示，那么显然confidence越小，是郭富城的可能性就越大了，接下来再去找一些权威的说法：

OpenCV的官方论坛有个帖子的说法如下图：代码中的confidence变量属于命名不当，其含义不是可信度，而是与模型中的类别的距离：

再看第二个解释，如下图红框，说得很清楚了，值越小，与模型中类别的相似度越高，0表示完全匹配：

再看一个Stack Overflow的解释：

至此，相信您对confidence已经足够理解了，lable等于2，confidence=30.01，意思是：被识别照片与郭富城最相似，距离为30.01，距离越小，是郭富城的可能性越大

理解重点概念：threshold在聊threshold之前，咱们先看一个场景，还是刘德华郭富城的模型，这次咱们拿喜洋洋的照片给模型识别，识别结果如下：显然，模型不会告诉你照片里是谁，只会告诉你：和郭富城的距离是3000.01看到这里，聪明的您可能会这么想：那我就写一段代码吧，识别结果的confidence如果太大（例如超过100），就判定用于识别的人不属于训练模型的任何一个类别上述功能，OpenCV已经帮咱们想到了，那就是：threshold，翻译过来即门限，如果咱们设置了threshold等于100，那么，一旦距离超过100，OpenCV的lable返回值就是-1理解了confidence和threshold，接下来可以写人脸识别的代码了，感谢咱们的充分准备，接下来是丝般顺滑的编码过程...源码下载《JavaCV人脸识别三部曲》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人脸识别三部曲》系列的代码在simple-grab-push工程下：编码：人脸识别服务开始正式编码，今天咱们不会新建工程，而是继续使用《JavaCV的摄像头实战之一：基础》中创建的simple-grab-push工程先定义一个Bean类PredictRlt.java，用来保存识别结果（lable和confidence字段）：

package com.bolingcavalry.grabpush.extend;import lombok.Data;@Datapublic class PredictRlt {    private int lable;    private double confidence;}

然后把人脸识别有关的服务集中在RecognizeService.java中，方便主程序使用，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 org.bytedeco.opencv.global.opencv_imgcodecs;import org.bytedeco.opencv.opencv_core.Mat;import org.bytedeco.opencv.opencv_core.Size;import org.bytedeco.opencv.opencv_face.FaceRecognizer;import org.bytedeco.opencv.opencv_face.FisherFaceRecognizer;import static org.bytedeco.opencv.global.opencv_imgcodecs.IMREAD_GRAYSCALE;import static org.bytedeco.opencv.global.opencv_imgproc.resize;/** * @author willzhao * @version 1.0 * @description 把人脸识别的服务集中在这里 * @date 2021/12/12 21:32 */public class RecognizeService {    private FaceRecognizer faceRecognizer;    // 推理结果的标签    private int[] plabel;    // 推理结果的置信度    private double[] pconfidence;    // 推理结果    private PredictRlt predictRlt;    // 用于推理的图片尺寸，要和训练时的尺寸保持一致    private Size size= new Size(Constants.RESIZE_WIDTH, Constants.RESIZE_HEIGHT);    public RecognizeService(String modelPath) {        plabel = new int[1];        pconfidence = new double[1];        predictRlt = new PredictRlt();                // 识别类的实例化，与训练时相同        faceRecognizer = FisherFaceRecognizer.create();        // 加载的是训练时生成的模型        faceRecognizer.read(modelPath);        // 设置门限，这个可以根据您自身的情况不断调整        faceRecognizer.setThreshold(Constants.MAX_CONFIDENCE);    }    /**     * 将Mat实例给模型去推理     * @param mat     * @return     */    public PredictRlt predict(Mat mat) {        // 调整到和训练一致的尺寸        resize(mat, mat, size);        boolean isFinish = false;        try {            // 推理(这一行可能抛出RuntimeException异常，因此要补货，否则会导致程序退出)            faceRecognizer.predict(mat, plabel, pconfidence);            isFinish = true;        } catch (RuntimeException runtimeException) {            runtimeException.printStackTrace();        }        // 如果发生过异常，就提前返回        if (!isFinish) {            return null;        }        // 将推理结果写入返回对象中        predictRlt.setLable(plabel[0]);        predictRlt.setConfidence(pconfidence[0]);        return predictRlt;    }}

上述代码有以下几处需要注意：构造方法中，通过faceRecognizer.setThreshold设置门限，我在实际使用中发现50比较合适，您可以根据自己的情况不断调整predict方法中，用于识别的图片要用resize方法调整大小，尺寸要和训练时的尺寸一致实测发现，在一张照片中出现多个人脸时，faceRecognizer.predict可能抛出RuntimeException异常，因此这里要捕获异常，避免程序崩溃退出编码：检测和识别检测有关的接口DetectService.java，如下，和《JavaCV人脸识别三部曲之一：视频中的人脸保存为图片》中的完全一致：

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DetectAndRecognizeService .java，功能是用摄像头的一帧图片检测人脸，再拿检测到的人脸给RecognizeService做识别，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 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.util.Map;import static org.bytedeco.opencv.global.opencv_imgproc.*;/** * @author willzhao * @version 1.0 * @description 音频相关的服务 * @date 2021/12/3 8:09 */@Slf4jpublic class DetectAndRecognizeService 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();    /**     * 检测模型文件的下载地址     */    private String detectModelFileUrl;    /**     * 处理每一帧的服务     */    private RecognizeService recognizeService;    /**     * 为了显示的时候更加友好，给每个分类对应一个名称     */    private Map kindNameMap;    /**     * 构造方法     * @param detectModelFileUrl     * @param recognizeModelFilePath     * @param kindNameMap     */    public DetectAndRecognizeService(String detectModelFileUrl, String recognizeModelFilePath, Map kindNameMap) {        this.detectModelFileUrl = detectModelFileUrl;        this.recognizeService = new RecognizeService(recognizeModelFilePath);        this.kindNameMap = kindNameMap;    }    /**     * 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(detectModelFileUrl);        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);        }        // 进行人脸识别，根据结果做处理得到预览窗口显示的帧        return detectAndRecoginze(classifier, converter, frame, grabbedImage, grayImage, recognizeService, kindNameMap);    }    /**     * 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();        }    }    /**     * 检测图片，将检测结果用矩形标注在原始图片上     * @param classifier 分类器     * @param converter Frame和mat的转换器     * @param rawFrame 原始视频帧     * @param grabbedImage 原始视频帧对应的mat     * @param grayImage 存放灰度图片的mat     * @param kindNameMap 每个分类编号对应的名称     * @return 标注了识别结果的视频帧     */    static Frame detectAndRecoginze(CascadeClassifier classifier,                                    OpenCVFrameConverter.ToMat converter,                                    Frame rawFrame,                                    Mat grabbedImage,                                    Mat grayImage,                                    RecognizeService recognizeService,                                    Map kindNameMap) {        // 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，就用原始帧返回        if (total<1) {            return rawFrame;        }        PredictRlt predictRlt;        int pos_x;        int pos_y;        int lable;        double confidence;        String content;        // 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        for (long i = 0; i < total; i++) {            Rect r = objects.get(i);// 核心代码，把检测到的人脸拿去识别            predictRlt = recognizeService.predict(new Mat(grayImage, r));            // 如果返回为空，表示出现过异常，就执行下一个            if (null==predictRlt) {                System.out.println("return null");                continue;            }            // 分类的编号（训练时只有1和2，这里只有有三个值，1和2与训练的分类一致，还有个-1表示没有匹配上）            lable = predictRlt.getLable();            // 与模型中的分类的距离，值越小表示相似度越高            confidence = predictRlt.getConfidence();            // 得到分类编号后，从map中取得名字，用来显示            if (kindNameMap.containsKey(predictRlt.getLable())) {                content = String.format("%s, confidence : %.4f", kindNameMap.get(lable), confidence);            } else {                // 取不到名字的时候，就显示unknown                content = "unknown(" + predictRlt.getLable() + ")";                System.out.println(content);            }            int x = r.x(), y = r.y(), w = r.width(), h = r.height();            rectangle(grabbedImage, new Point(x, y), new Point(x + w, y + h), Scalar.RED, 1, CV_AA, 0);            pos_x = Math.max(r.tl().x()-10, 0);            pos_y = Math.max(r.tl().y()-10, 0);            putText(grabbedImage, content, new Point(pos_x, pos_y), FONT_HERSHEY_PLAIN, 1.5, new Scalar(0,255,0,2.0));        }        // 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：重点关注detectAndRecoginze方法，这里面先调用classifier.detectMultiScale检测出当前照片所有的人脸，然后把每一张人脸交个recognizeService进行识别，识别结果的lable是个int型的，看起来不够友好，因此从kindNameMap中根据lable找出对应的名称来最终给每个头像添加矩形框，还在左上角添加识别结果，以及confidence的值处理完毕后转为Frame对象返回，这样的帧显示在预览页面，效果就是视频中每个人被框选出来，并带有身份现在核心代码已经写完，需要再写一些代码来使用DetectAndRecognizeService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PreviewCameraWithIdentify.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;

PreviewCameraWithIdentify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 PreviewCameraWithIdentify(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，还有检测、识别的初始化操作：

@Override    protected void initOutput() throws Exception {        previewCanvas = new CanvasFrame("摄像头预览和身份识别", 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，代码如下，有几处要注意的地方稍后说明：

public static void main(String[] args) {        String modelFileUrl = "https://raw.github.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_alt.xml";        String recognizeModelFilePath = "E:\\temp\\202112\\18\\001\\faceRecognizer.xml";        // 这里分类编号的身份的对应关系，和之前训练时候的设定要保持一致        Map kindNameMap = new HashMap();        kindNameMap.put(1, "Man");        kindNameMap.put(2, "Woman");        // 检测服务        DetectService detectService = new DetectAndRecognizeService(modelFileUrl,recognizeModelFilePath, kindNameMap);        // 开始检测        new PreviewCameraWithIdentify(detectService).action(1000);    }

上述main方法中，有以下几处需要注意：kindNameMap是个HashMap，里面放这每个分类编号对应的名称，我训练的模型中包含了两位群众演员的头像，给他们分别起名Man和WomanmodelFileUrl是人脸检测时用到的模型地址recognizeModelFilePath是人脸识别时用到的模型地址，这个模型是《JavaCV人脸识别三部曲之二：训练》一文中训练的模型至此，人脸识别的代码已经写完，运行main方法，请几位群众演员来到摄像头前面，验证效果吧验证

程序运行起来后，请名为Man的群众演员A站在摄像头前面，如下图，识别成功：

接下来，请名为Woman的群众演员B过来，和群众演员A同框，如下图，同时识别成功，不过偶尔会识别错误，提示成unknown(-1)：

再请一个没有参与训练的小群众演员过来，与A同框，此刻的识别也是准确的，小演员被标注为unknown(-1)：

去看程序的控制台，发现FaceRecognizer.predict方法会抛出异常，幸好程序捕获了异常，不会把整个进程中断退出：

至此，整个《JavaCV人脸识别三部曲》全部完成，如果您是位java程序员，正在寻找人脸识别相关的方案，希望本系列能给您一些参考

另外《JavaCV人脸识别三部曲》是《JavaCV的摄像头实战》系列的分支，作为主干的《JavaCV的摄像头实战》依然在持续更新中，欣宸原创会继续与您一路相伴，学习、实战、提升

欢迎关注博客园：程序员欣宸

学习路上，你不孤单，欣宸原创一路相伴...