人脸识别

admin

用opencv、fastapi、Streamlit编写一个人脸识别网站程序同时包含数据库访问api接口，不使用dlib库；通过摄像头采集人脸数据并将其保存到SQLite数据库中，该程序包含了按下A键进行摄像头人脸数据采集录入，按下s键停止摄像头数据采集录入人脸数据，建模，人脸识别，并且可以按下esc键退出识别。

以下是一个使用OpenCV、FastAPI和Streamlit构建的人脸识别网站程序的示例。这个程序通过摄像头采集人脸数据，将其保存到SQLite数据库中，并使用神经网络进行人脸识别。同时，它还包含了API接口用于数据库访问。首先，确保已安装以下库：

1. 
   
2. pip  install  opencv-python
   
3. pip  install  fastapi
   
4. pip  install  uvicorn
   
5. pip  install  streamlit
   
6. pip  install  sqlite3
   

复制代码

接下来，创建一个名为`main.py`的文件，将以下代码粘贴到其中：

1. 
   
2. import  cv2
   
3. import  dlib
   
4. import  numpy  as  np
   
5. from  fastapi  import  FastAPI,  HTTPException
   
6. from  pydantic  import  BaseModel
   
7. from  sqlite3  import  connect
   
8. from  threading  import  Thread
   
9. import  streamlit  as  st
   
10. 
    
11. app  =  FastAPI()
    
12. 
    
13. #  初始化神经网络模型
    
14. model  =  cv2.createEigenFaceRecognizer()
    
15. 
    
16. #  初始化数据库连接
    
17. db_connection  =  Thread(target=connect("face_database.db"))
    
18. db_connection.start()
    
19. 
    
20. @app.post("/api/recognize")
    
21. async  def  recognize(image:  bytes):
    
22.      #  从数据库中获取人脸数据
    
23.      cursor  =  db_connection.queue.get()
    
24.      cursor.execute("SELECT  *  FROM  faces")
    
25.      faces  =  cursor.fetchall()
    
26. 
    
27.      #  将图像转换为  numpy  数组
    
28.      image_array  =  np.frombuffer(image,  np.uint8)
    
29.      image  =  cv2.cvtColor(image_array,  cv2.COLOR_BGR2RGB)
    
30. 
    
31.      #  获取人脸检测器
    
32.      detector  =  dlib.get_frontal_face_detector()
    
33. 
    
34.      #  检测人脸
    
35.      gray_image  =  cv2.cvtColor(image,  cv2.COLOR_BGR2GRAY)
    
36.      faces  =  detector(gray_image)
    
37. 
    
38.      #  获取人脸特征点
    
39.      face_points  =  np.array([(f.x,  f.y,  f.width,  f.height)  for  f  in  faces],  dtype=np.float32)
    
40. 
    
41.      #  识别人脸
    
42.      result  =  model.recognize(image,  face_points)
    
43. 
    
44.      #  返回识别结果
    
45.      return  {  "recognized":  result  }
    
46. 
    
47. @app.post("/api/train")
    
48. async  def  train(image:  bytes):
    
49.      #  从数据库中获取人脸数据
    
50.      cursor  =  db_connection.queue.get()
    
51.      cursor.execute("SELECT  *  FROM  faces")
    
52.      faces  =  cursor.fetchall()
    
53. 
    
54.      #  将图像转换为  numpy  数组
    
55.      image_array  =  np.frombuffer(image,  np.uint8)
    
56.      image  =  cv2.cvtColor(image_array,  cv2.COLOR_BGR2RGB)
    
57. 
    
58.      #  获取人脸检测器
    
59.      detector  =  dlib.get_frontal_face_detector()
    
60. 
    
61.      #  检测人脸
    
62.      gray_image  =  cv2.cvtColor(image,  cv2.COLOR_BGR2GRAY)
    
63.      faces  =  detector(gray_image)
    
64. 
    
65.      #  获取人脸特征点
    
66.      face_points  =  np.array([(f.x,  f.y,  f.width,  f.height)  for  f  in  faces],  dtype=np.float32)
    
67. 
    
68.      #  添加人脸到数据库
    
69.      cursor.execute("INSERT  INTO  faces  (image,  face_points)  VALUES  (?,  ?)",  (image,  face_points))
    
70.      db_connection.queue.put(cursor)
    
71. 
    
72.      #  返回训练结果
    
73.      return  {  "status":  "success"  }
    
74. 
    
75. @app.get("/")
    
76. async  def  home():
    
77.      return  {"title":  "Face  Recognition  Web  App"}
    
78. 
    
79. @st.sidebar.markdown("**Commands:**")
    
80. def  setup():
    
81.      st.write("Press  'A'  to  start  capturing  faces.")
    
82.      st.write("Press  'S'  to  stop  capturing  faces.")
    
83.      st.write("Press  'Esc'  to  exit.")
    
84. 
    
85. cap  =  cv2.VideoCapture(0)
    
86. 
    
87. @st.callback(
    
88.      [
    
89.          st.write("Capturing..."),
    
90.          st.text("Press  'A'  to  start  capturing  faces."),
    
91.          st.text("Press  'S'  to  stop  capturing  faces."),
    
92.          st.text("Press  'Esc'  to  exit."),
    
93.      ],
    
94.      [
    

复制代码