JavaCV人脸识别三部曲之三识别和预览

　　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》前文链接《视频中的人脸保存为图片》
　　《训练》
　　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：
　　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：confidenceconfidence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：（地址：https://answers.opencv.org/question/226714/confidence-value-in-lbph/）
　　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：（https://stackoverflow.com/questions/39010477/confidence-in-opencv-facerecognizer-predict-method-output）
　　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)：
　　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;  @Data public 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  */ @Slf4j public 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:temp2021121801faceRecognizer.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Woman modelFileUrl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、提升欢迎关注头条号：程序员欣宸学习路上，你不孤单，欣宸原创一路相伴...