OpenCV Python FAR/FRR中的人脸识别

Question

如何在OpenCV Python中进行性能测试来检查

1. 获得识别结果所需的时间
2. 数据库测试用例上的错误接受/错误拒绝率。

我使用OpenCV中的示例特征面方法（来自Phillip-https://github.com/bytefish/facerecognition_guide），并且只对结果感兴趣。如果有人能给我指一个正确的方向/举一些例子，那就太好了。也许我可以利用一些功能？

Answer 1

为了分析时间性能，可以使用Time模块。

import time

time_1 = time.time()
result = <execute your code>
time_2 = time.time()
duration = time_2 - time_1

关于您的错误率，这实际上取决于您的用例。但是，我通常保留一个我期望的结果列表，然后将其与分类算法返回的结果列表进行比较。这样就可以用来计算错误率。

我希望这能帮助你朝着正确的方向前进。

Answer 2

验证OpenCV算法

导言

首先，很抱歉，我花了这么长时间才回复，但实在没有空余时间了。实际上，验证算法是一个非常有趣的话题，并不难。在这篇文章中，我将展示如何验证你的算法（我将使用FaceRecognizer，因为你已经要求它）。和往常一样，我会用一个完整的源代码示例来展示它，因为我认为用代码解释东西要容易得多。

所以每当人们告诉我“我的算法执行不好”时，我都会问他们：

• 实际上什么是坏的？
• 你是不是看了一个样本就给这个打分了？
• 你的图像数据是什么？
• 你如何区分训练和测试数据？
• 你的标准是什么？
• […]

我希望这篇文章能澄清一些困惑，并展示验证算法是多么容易。因为我从计算机视觉和机器学习算法的实验中学到的是：

• 如果没有一个正确的证明，那就是追逐鬼魂。你真的，真的需要数字来谈论。

这篇文章中的所有代码都在BSD许可下，所以您可以在项目中使用它。

验证算法

任何计算机视觉工程中最重要的任务之一就是获取图像数据。您需要获得与生产中预期的图像数据相同的图像数据，这样您在上线时就不会有任何不好的体验。一个非常实际的例子：如果你想在野外识别人脸，那么在一个非常可控的场景中验证你的算法是没有用的。获取尽可能多的数据，因为数据是最重要的。为了数据。

一旦你有了一些数据，你写了你的算法，它来评估它。有几种验证策略，但我认为您应该从简单的交叉验证开始，然后继续，有关交叉验证的信息，请参见：

• Wikipedia on Cross-Validation

我们将使用scikit-learn这是一个伟大的开源项目，而不是全部由我们自己实现：

• https://github.com/scikit-learn/

它有一个非常好的文档和教程来验证算法：

• http://scikit-learn.org/stable/tutorial/statistical_inference/index.html

所以计划如下：

• 写一个函数来读取一些图像数据。
• 将cv2.FaceRecognizer包装到scikit学习估计器中。
• 使用给定的验证和度量来估计cv2.FaceRecognizer的性能。
• 利润！

正确获取图像数据

首先，我想在要读取的图像数据上写一些单词，因为这方面的问题几乎总是会弹出。为了简单起见，我在示例中假设图像（您想要识别的人脸，人）是在文件夹中给出的。每人一个文件夹。所以假设我有一个文件夹（一个数据集）调用images，子文件夹有person1，person2等等：

philipp@mango:~/facerec/data/images$ tree -L 2 | head -n 20
.
|-- person1
|   |-- 1.jpg
|   |-- 2.jpg
|   |-- 3.jpg
|   |-- 4.jpg
|-- person2
|   |-- 1.jpg
|   |-- 2.jpg
|   |-- 3.jpg
|   |-- 4.jpg

[...]

其中一个公开的可用数据集（已经包含在这样的文件夹结构中）是AT&T Facedatabase，位于：

• http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html

一旦解包，它将如下所示（在我的文件系统中，它被解包到/home/philipp/facerec/data/at/，您的路径是不同的！）以下内容：

philipp@mango:~/facerec/data/at$ tree .
.
|-- README
|-- s1
|   |-- 1.pgm
|   |-- 2.pgm
[...]
|   `-- 10.pgm
|-- s2
|   |-- 1.pgm
|   |-- 2.pgm
[...]
|   `-- 10.pgm
|-- s3
|   |-- 1.pgm
|   |-- 2.pgm
[...]
|   `-- 10.pgm

...

40 directories, 401 files

把它放在一起

因此，首先我们将定义一个方法read_images，用于读取图像数据和标签：

import os
import sys
import cv2
import numpy as np

def read_images(path, sz=None):
    """Reads the images in a given folder, resizes images on the fly if size is given.

    Args:
        path: Path to a folder with subfolders representing the subjects (persons).
        sz: A tuple with the size Resizes 

    Returns:
        A list [X,y]

            X: The images, which is a Python list of numpy arrays.
            y: The corresponding labels (the unique number of the subject, person) in a Python list.
    """
    c = 0
    X,y = [], []
    for dirname, dirnames, filenames in os.walk(path):
        for subdirname in dirnames:
            subject_path = os.path.join(dirname, subdirname)
            for filename in os.listdir(subject_path):
                try:
                    im = cv2.imread(os.path.join(subject_path, filename), cv2.IMREAD_GRAYSCALE)
                    # resize to given size (if given)
                    if (sz is not None):
                        im = cv2.resize(im, sz)
                    X.append(np.asarray(im, dtype=np.uint8))
                    y.append(c)
                except IOError, (errno, strerror):
                    print "I/O error({0}): {1}".format(errno, strerror)
                except:
                    print "Unexpected error:", sys.exc_info()[0]
                    raise
            c = c+1
    return [X,y]

然后，读取图像数据变得和调用一样简单：

[X,y] = read_images("/path/to/some/folder")

因为某些算法（例如特征面、鱼面）要求图像大小相等，所以我添加了第二个参数sz。通过传递元组sz，所有图像都将调整大小。因此，下面的调用将把/path/to/some/folder像素中的所有图像调整为100x100像素

[X,y] = read_images("/path/to/some/folder", (100,100))

scikit learn中的所有分类器都是从一个BaseEstimator派生的，它应该有一个fit和predict方法d、 fit方法获取样本列表X和相应的标签y，因此映射到cv2.FaceRecognizer的train方法很简单。predict方法还获得一个样本列表和相应的标签，但这次我们需要返回每个样本的预测：

from sklearn.base import BaseEstimator

class FaceRecognizerModel(BaseEstimator):

    def __init__(self):
        self.model = cv2.createEigenFaceRecognizer()

    def fit(self, X, y):
        self.model.train(X,y)

    def predict(self, T):
        return [self.model.predict(T[i]) for i in range(0, T.shape[0])]

然后，您可以在一系列验证方法和度量标准之间进行选择，以测试cv2.FaceRecognizer。您可以在sklearn.cross_validation中找到可用的交叉验证算法：

• 排除交叉验证
• K-折叠交叉验证
• 分层K-折叠交叉验证
• 在交叉验证中保留一个标签
• 替换交叉验证随机抽样
• […]

为了估计cv2.FaceRecognizer的识别率，我建议使用分层交叉验证。你可能会问为什么有人需要其他交叉验证方法。假设你想用你的算法进行情感识别。如果你的训练集中有你测试算法的人的图像，会发生什么？你可能会找到最接近的人，但不是情感。在这些情况下，您应该执行独立于主题的交叉验证。

使用scikit learn创建分层k-Fold交叉验证迭代器非常简单：

from sklearn import cross_validation as cval
# Then we create a 10-fold cross validation iterator:
cv = cval.StratifiedKFold(y, 10)

我们可以从很多指标中选择。现在我只想知道模型的精度，所以我们导入可调用函数sklearn.metrics.precision_score：

from sklearn.metrics import precision_score

现在我们只需要创建估计器并将estimator、X、y、precision_score和cv传递给sklearn.cross_validation.cross_val_score，它计算我们的交叉验证分数：

# Now we'll create a classifier, note we wrap it up in the 
# FaceRecognizerModel we have defined in this file. This is 
# done, so we can use it in the awesome scikit-learn library:
estimator = FaceRecognizerModel()
# And getting the precision_scores is then as easy as writing:
precision_scores = cval.cross_val_score(estimator, X, y, score_func=precision_score, cv=cv)

有大量可用的指标，请随意选择其他指标：

• https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/metrics/metrics.py

所以我们把这些都写进剧本里吧！

验证.py

# Author: Philipp Wagner <bytefish@gmx.de>
# Released to public domain under terms of the BSD Simplified license.
#
# Redistribution and use in source and binary forms, with or without
# modification, are permitted provided that the following conditions are met:
#   * Redistributions of source code must retain the above copyright
#     notice, this list of conditions and the following disclaimer.
#   * Redistributions in binary form must reproduce the above copyright
#     notice, this list of conditions and the following disclaimer in the
#     documentation and/or other materials provided with the distribution.
#   * Neither the name of the organization nor the names of its contributors
#     may be used to endorse or promote products derived from this software
#     without specific prior written permission.
#
#   See <http://www.opensource.org/licenses/bsd-license>

import os
import sys
import cv2
import numpy as np

from sklearn import cross_validation as cval
from sklearn.base import BaseEstimator
from sklearn.metrics import precision_score

def read_images(path, sz=None):
    """Reads the images in a given folder, resizes images on the fly if size is given.

    Args:
        path: Path to a folder with subfolders representing the subjects (persons).
        sz: A tuple with the size Resizes 

    Returns:
        A list [X,y]

            X: The images, which is a Python list of numpy arrays.
            y: The corresponding labels (the unique number of the subject, person) in a Python list.
    """
    c = 0
    X,y = [], []
    for dirname, dirnames, filenames in os.walk(path):
        for subdirname in dirnames:
            subject_path = os.path.join(dirname, subdirname)
            for filename in os.listdir(subject_path):
                try:
                    im = cv2.imread(os.path.join(subject_path, filename), cv2.IMREAD_GRAYSCALE)
                    # resize to given size (if given)
                    if (sz is not None):
                        im = cv2.resize(im, sz)
                    X.append(np.asarray(im, dtype=np.uint8))
                    y.append(c)
                except IOError, (errno, strerror):
                    print "I/O error({0}): {1}".format(errno, strerror)
                except:
                    print "Unexpected error:", sys.exc_info()[0]
                    raise
            c = c+1
    return [X,y]

class FaceRecognizerModel(BaseEstimator):

    def __init__(self):
        self.model = cv2.createFisherFaceRecognizer()

    def fit(self, X, y):
        self.model.train(X,y)

    def predict(self, T):
        return [self.model.predict(T[i]) for i in range(0, T.shape[0])]

if __name__ == "__main__":
    # You'll need at least some images to perform the validation on:
    if len(sys.argv) < 2:
        print "USAGE: facerec_demo.py </path/to/images> [</path/to/store/images/at>]"
        sys.exit()
    # Read the images and corresponding labels into X and y.
    [X,y] = read_images(sys.argv[1])
    # Convert labels to 32bit integers. This is a workaround for 64bit machines,
    # because the labels will truncated else. This is fixed in recent OpenCV
    # revisions already, I just leave it here for people on older revisions.
    #
    # Thanks to Leo Dirac for reporting:
    y = np.asarray(y, dtype=np.int32)
    # Then we create a 10-fold cross validation iterator:
    cv = cval.StratifiedKFold(y, 10)
    # Now we'll create a classifier, note we wrap it up in the 
    # FaceRecognizerModel we have defined in this file. This is 
    # done, so we can use it in the awesome scikit-learn library:
    estimator = FaceRecognizerModel()
    # And getting the precision_scores is then as easy as writing:
    precision_scores = cval.cross_val_score(estimator, X, y, score_func=precision_score, cv=cv)
    # Let's print them:
    print precision_scores

运行脚本

上面的脚本将打印出Fisherfaces方法的精度分数。您只需使用图像文件夹调用脚本：

philipp@mango:~/src/python$ python validation.py /home/philipp/facerec/data/at

Precision Scores:
[ 1.          0.85        0.925       0.9625      1.          0.9625
  0.8875      0.93333333  0.9625      0.925     ]

结论

结论是，使用开源项目会让你的生活变得非常轻松！示例脚本有很多需要改进的地方。您可能需要添加一些日志记录，以查看您所在的文件夹。但这是评估任何您想要的度量的开始，只需阅读scikit学习教程，了解如何执行并使其适应上面的脚本。

我鼓励大家使用OpenCV Python和scikit来学习，因为这两个伟大的项目之间的交互是非常非常容易的。

Answer 3

This blog对opencv2中的各种特征检测算法进行了比较。它是泰语的，所以你想使用谷歌浏览器的翻译功能来阅读它，以防你不使用泰语。

作者没有分享他的代码，但也许你在寻找类似的东西。