根據前面的設計方案，在設計的基于dragonboard 410c的智能魔鏡中，需要根據超聲波檢測到有人靠近的時候，通過USB攝像頭采集人臉數據，然后根據數據庫中的人臉數據進行人臉匹配，識別用戶的身份，最終根據用戶身份顯示不同的消息和推送不同的內容，這期blog將重點向大家介紹智能魔鏡中的人臉檢測和識別處理實現的原理和過程。

需要進行基于人臉的用戶身份識別，首先需要檢測出人臉，然后根據檢測出來的人臉與數據庫中的人臉進行匹配，最終得出匹配度，根據匹配度確定該人臉的身份，這里將從這兩個方面來向大家介紹如何在智能魔鏡中實現人臉身份檢測，其實在前面的一系列blog中已經給大家介紹了人臉識別和檢測的實現方法，這里就在結合智能魔鏡代碼設計再向大家如何應用前面已經設計好的人臉檢測和識別的代碼，將其集中到智能魔鏡中的應用中來。

在基于USB攝像頭人臉識別的文章中已經告訴了大家如使用Python和OpenCV來何構建人臉檢測代碼，我們這里構建了一個getFac.py文件，在該文件中通過getFac類來實現人臉的檢測，其實也就是對前面blog方法的一次封裝即可，具體代碼如下：

????def getface(self,device):
? ? ? ? cap = cv2.VideoCapture(device)
? ? ? ? faces=[]
? ? ? ? num=self.maxFrames
? ? ? ? while(True):
? ? ? ? ? ? ret,img=cap.read()
? ? ? ? ? ? ret,img=cap.read()
? ? ? ? ? ? ret,img=cap.read()
? ? ? ? ? ? ret,img=cap.read()
? ? ? ? ? ? if ret==True:
? ? ? ? ? ? ? ? gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
? ? ? ? ? ? ? ? faces = self.face_cascade.detectMultiScale(gray,1.3,5)
? ? ? ? ? ? ? ? i=0
? ? ? ? ? ? ? ? for(x,y,w,h) in faces:
? ? ? ? ? ? ? ? ? ? face=img[y:y+h,x:x+w]
? ? ? ? ? ? ? ? ? ? print("get face sucessful")
? ? ? ? ? ? ? ? ? ? cap.release()
? ? ? ? ? ? ? ? ? ? cv2.imwrite('./temp.jpg',face)
? ? ? ? ? ? ? ? ? ? return True
? ? ? ? ? ? ? ? num=num-1
? ? ? ? ? ? ? ? if num==0:
? ? ? ? ? ? ? ? ? ? print("get face failed")
? ? ? ? ? ? ? ? ? ? cap.release()
? ? ? ? ? ? ? ? ? ? return False
? ? ? ? ? ? else:
? ? ? ? ? ? ? ? ?cap.release()
? ? ? ? ? ? ? ? ?return False??

有了上述類，我們就可以檢測并且獲得人臉圖像，接下來我們需要利用檢測到的人臉圖像，與數據庫中的人臉圖像進行匹配，實現人臉的識別，其方法和前面 使用USB攝像頭進行人臉識別文章--第二篇 中的方法一樣，采用opencv提供的人臉識別接口來實現，但是這里為了在魔鏡中調用，重寫了前面blog的方法，構建了一個peopleIdentification.py類來實現魔鏡中的人臉身份檢測，這里封裝了一個peopleDetected類來實現人臉的身份識別，重新封裝后的代碼和前面代碼稍有差異，具體設計如下：

???????class peopleDetected:
? ? def __init__(self,trainImgPath):
? ??
? ? ? ? self.threshold=6000
? ? ? ? self.model = cv2.createFisherFaceRecognizer()
? ? ? ? self.trainModel('./usrImg')
? ?? ? #load all user img create Train table
? ? #imgPath is user img path
? ? def trainModel(self,trainImgPath):
? ? ? ? names=[]
? ? ? ? lables=[]
? ? ? ? userImgDir=os.listdir(trainImgPath)
? ? ? ? #print(userImgDir)
? ? ? ? for imgDir in userImgDir:
? ? ? ? ? ? print("userID dir is:")?
? ? ? ? ? ? #print(imgDir)
? ? ? ? ? ? format="%s/%s"
? ? ? ? ? ? values=(trainImgPath,imgDir)
? ? ? ? ? ? dirPath=format % values
? ? ? ? ? ? #find current user img
? ? ? ? ? ? allimgPath=os.listdir(dirPath)
? ? ? ? ? ? #print(allimgPath)
? ? ? ? ? ? for name in allimgPath:
? ? ? ? ? ? ? ? names.append(dirPath+'/'+name)
? ? ? ? ? ? ? ? lables.append(int(imgDir))
? ? ? ? ? ? ? ? print("save sucessful:")
? ? ? ? print(names)
? ? ? ? print(lables)
? ? ? ? #return names,lables
? ? ? ? trainImg=[]
? ? ? ? for imgloadPath in names:
? ? ? ? ? ? obj=cv2.resize(cv2.imread(imgloadPath,0),(400,500))
? ? ? ? ? ? trainImg.append(obj)
? ? ? ? self.model.train(trainImg,np.array(lables))
? ? ? ? print(lables)
? ? def getPeopleID(self,faceImgPath):
? ? ? ? faceImg=cv2.imread(faceImgPath,0)
? ? ? ? face=cv2.resize(faceImg,(400,500))
? ? ? ? result = self.model.predict(face)
? ? ? ? predictID=result[0]
? ? ? ? predictError=result[1]
? ? ? ? print(predictID)
? ? ? ? print(predictError)
? ? ? ? #print(result)
? ? ? ? if predictError>self.threshold:
? ? ? ? ? ? return -1
? ? ? ? else:
? ? ? ? ? ? print("get people ID")
? ? ? ? ? ? return predictID
? ? def getPeopleID2(self,faceImg):
? ? ? ? face=cv2.resize(faceImg,(400,500))
? ? ? ? result = self.model.predict(face)
? ? ? ? predictID=result[0]
? ? ? ? predictError=result[1]
? ? ? ? #print(predictID)
? ? ? ? #print(predictError)
? ? ? ? #print(result)
? ? ? ? if predictError>self.threshold:
? ? ? ? ? ? return -1
? ? ? ? else:
? ? ? ? ? ? return predictID?

有了這兩個類，我們就可以方便的構建魔鏡的人臉身份識別子模塊了，這里我們只需要通過下面的代碼就可以使用人臉檢測和進行人臉身份識別了：

? ??GF=getFace()

? ??rs=GF.getface(0)

? ??PD=peopleDetected("./usrImg")

? ??peopleID=PD.getPeopleID('./temp.jpg')?

其中PD在構建的過程中，將導入./userImg中的用戶信息作為訓練數據。

每次檢測到的人臉保存在./temp.jpg中。

后續blog將進一步向大家介紹如何利用上述兩個類，并且根據超聲波檢測結果來完成整個魔鏡的人臉身份檢測和保存。