#-----獲取人臉樣本-----
import cv2
 
#調用筆記本內置攝像頭，參數為0，如果有其他的攝像頭可以調整參數為1,2
cap = cv2.VideoCapture(0)
#調用人臉分類器，要根據實際路徑調整3
face_detector = cv2.CascadeClassifier(r'X:/Users/73950/Desktop/FaceRec/haarcascade_frontalface_default.xml') #待更改
#為即將錄入的臉標記一個id
face_id = input('\n User data input,Look at the camera and wait ...')
#sampleNum用來計數樣本數目
count = 0
 
while True: 
 #從攝像頭讀取圖片
 success,img = cap.read() 
 #轉為灰度圖片，減少程序符合，提高識別度
 if success is True: 
  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
 else: 
  break
 #檢測人臉，將每一幀攝像頭記錄的數據帶入OpenCv中，讓Classifier判斷人臉
 #其中gray為要檢測的灰度圖像，1.3為每次圖像尺寸減小的比例，5為minNeighbors
 faces = face_detector.detectMultiScale(gray, 1.3, 5)
 
 #框選人臉，for循環保證一個能檢測的實時動態視頻流
 for (x, y, w, h) in faces:
  #xy為左上角的坐標,w為寬，h為高，用rectangle為人臉標記畫框
  cv2.rectangle(img, (x, y), (x+w, y+w), (255, 0, 0))
  #成功框選則樣本數增加
  count += 1 
  #保存圖像，把灰度圖片看成二維數組來檢測人臉區域
  #(這里是建立了data的文件夾，當然也可以設置為其他路徑或者調用數據庫)
  cv2.imwrite("data/User."+str(face_id)+'.'+str(count)+'.jpg',gray[y:y+h,x:x+w]) 
  #顯示圖片
  cv2.imshow('image',img)  
  #保持畫面的連續。waitkey方法可以綁定按鍵保證畫面的收放，通過q鍵退出攝像
 k = cv2.waitKey(1)  
 if k == '27':
  break  
  #或者得到800個樣本后退出攝像，這里可以根據實際情況修改數據量，實際測試后800張的效果是比較理想的
 elif count >= 800:
  break
 
#關閉攝像頭，釋放資源
cap.realease()
cv2.destroyAllWindows()

#-----建立模型、創建數據集-----#-----建立模型、創建數據集-----
 
import os
import cv2
import numpy as np
from PIL import Image
#導入pillow庫，用于處理圖像
#設置之前收集好的數據文件路徑
path = 'data'
 
#初始化識別的方法
recog = cv2.face.LBPHFaceRecognizer_create()
 
#調用熟悉的人臉分類器
detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
 
#創建一個函數，用于從數據集文件夾中獲取訓練圖片,并獲取id
#注意圖片的命名格式為User.id.sampleNum
def get_images_and_labels(path):
 image_paths = [os.path.join(path,f) for f in os.listdir(path)]
 #新建連個list用于存放
 face_samples = []
 ids = []
 
 #遍歷圖片路徑，導入圖片和id添加到list中
 for image_path in image_paths:
 
  #通過圖片路徑將其轉換為灰度圖片
  img = Image.open(image_path).convert('L')
 
  #將圖片轉化為數組
  img_np = np.array(img,'uint8')
 
  if os.path.split(image_path)[-1].split(".")[-1] != 'jpg':
   continue
 
  #為了獲取id，將圖片和路徑分裂并獲取
  id = int(os.path.split(image_path)[-1].split(".")[1])
  faces = detector.detectMultiScale(img_np)
 
  #將獲取的圖片和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
 
#調用函數并將數據喂給識別器訓練
print('Training...')
faces,ids = get_images_and_labels(path)
#訓練模型
recog.train(faces,np.array(ids))
#保存模型
recog.save('trainner/trainner.yml')

#-----檢測、校驗并輸出結果-----
import cv2
 
#準備好識別方法
recognizer = cv2.face.LBPHFaceRecognizer_create()
 
#使用之前訓練好的模型
recognizer.read('trainner/trainner.yml')
 
#再次調用人臉分類器
cascade_path = "haarcascade_frontalface_default.xml" 
face_cascade = cv2.CascadeClassifier(cascade_path)
 
#加載一個字體，用于識別后，在圖片上標注出對象的名字
font = cv2.FONT_HERSHEY_SIMPLEX
 
idnum = 0
#設置好與ID號碼對應的用戶名，如下，如0對應的就是初始
 
names = ['初始','admin','user1','user2','user3']
 
#調用攝像頭
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)
 #識別人臉
 faces = face_cascade.detectMultiScale(
   gray,
   scaleFactor = 1.2,
   minNeighbors = 5,
   minSize = (int(minW),int(minH))
   )
 #進行校驗
 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])
 
  #計算出一個檢驗結果
  if confidence  100:
   idum = names[idnum]
   confidence = "{0}%",format(round(100-confidence))
  else:
   idum = "unknown"
   confidence = "{0}%",format(round(100-confidence))
 
  #輸出檢驗結果以及用戶名
  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)
 
  #展示結果
  cv2.imshow('camera',img)
  k = cv2.waitKey(20)
  if k == 27:
   break
 
#釋放資源
cam.release()
cv2.destroyAllWindows()