树莓派实时人脸识别全流程指南：从硬件到模型训练

项目简介

本教程手把手教你在树莓派上搭建基于 OpenCV 与 Pi Camera 的实时人脸识别系统，涵盖硬件选型、OpenCV 安装、摄像头测试、人脸检测、数据采集、模型训练与实时识别全链路，代码片段详尽、实用技巧丰富。

项目基于开源 OpenCV 库，针对实时性能优化。虽以树莓派 Raspbian 为主，代码在 macOS/Windows 仅需微调即可运行。

三大核心阶段

完整人脸识别工作流分三阶段：

• 人脸检测与数据采集
• 训练识别器
• 实时人脸识别

步骤 1：物料清单 (BOM)

• 树莓派 3 – $32
• 500万像素 1080p OV5647 摄像头模块 – $13

步骤 2：安装 OpenCV 3

推荐遵循 Adrian Rosebrock 指南 在 Raspbian Stretch 上编译安装 OpenCV 3。完成后激活虚拟环境：

source ~/.profile
workon cv

验证安装：

python
>>> import cv2
>>> cv2.__version__

应显示 3.3.0 或更高版本。

步骤 3：测试摄像头

若摄像头未识别，加载驱动：

sudo modprobe bcm2835-v4l2

测试脚本（含垂直翻转，按摄像头朝向调整）：

import numpy as np
import cv2

cap = cv2.VideoCapture(0)
cap.set(3, 640)
cap.set(4, 480)

while True:
    ret, frame = cap.read()
    frame = cv2.flip(frame, -1)
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    cv2.imshow('frame', frame)
    cv2.imshow('gray', gray)
    if cv2.waitKey(30) & 0xff == 27:
        break

cap.release()
cv2.destroyAllWindows()

运行 python simpleCamTest.py，按 ESC 退出。

步骤 4：人脸检测

OpenCV Haar 级联分类器是轻量级机器学习人脸检测方案。下载预训练 XML (haarcascade_frontalface_default.xml) 放入 Cascades 文件夹。实时检测并绘制边界框：

import cv2

faceCascade = cv2.CascadeClassifier('Cascades/haarcascade_frontalface_default.xml')
cap = cv2.VideoCapture(0)
cap.set(3, 640)
cap.set(4, 480)

while True:
    ret, img = cap.read()
    img = cv2.flip(img, -1)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = faceCascade.detectMultiScale(
        gray, scaleFactor=1.2, minNeighbors=5, minSize=(20, 20)
    )
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
    cv2.imshow('video', img)
    if cv2.waitKey(30) & 0xff == 27:
        break

cap.release()
cv2.destroyAllWindows()

detectMultiScale 参数：scaleFactor 逐次缩放比例，minNeighbors 抑制误检，minSize 最小人脸尺寸。

扩展示例

GitHub 仓库提供更多检测示例：

• faceEyeDetection.py
• faceSmileDetection.py
• faceSmileEyeDetection.py

参考：Haar 级联物体检测 – 人脸与眼睛教程

步骤 5：数据采集

训练需标注数据集。创建项目目录与 dataset 子目录：

mkdir FacialRecognitionProject
cd FacialRecognitionProject
mkdir dataset

将 Haar XML 放入项目根目录。运行 01_face_dataset.py 采集每人 30 张人脸：

import cv2
import os

cam = cv2.VideoCapture(0)
cam.set(3, 640)
cam.set(4, 480)
face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
face_id = input('\n输入用户数字 ID 并回车 → ')
print('\n[INFO] 初始化人脸采集，请看向摄像头…')
count = 0
while True:
    ret, img = cam.read()
    img = cv2.flip(img, -1)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_detector.detectMultiScale(gray, 1.3, 5)
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
        count += 1
        cv2.imwrite(f'dataset/User.{face_id}.{count}.jpg', gray[y:y+h, x:x+w])
        cv2.imshow('image', img)
    if cv2.waitKey(100) & 0xff == 27 or count >= 30:
        break
if count >= 30:
    break
cam.release()
cv2.destroyAllWindows()
print('\n[INFO] 采集完成，清理资源。')

文件命名格式 User.{id}.{count}.jpg（如 User.1.4.jpg），可按需调整采集数量。

步骤 6：模型训练

使用采集图像训练 OpenCV 人脸识别器，模型保存为 trainer 目录下的 .yml 文件。完整训练脚本请见项目仓库。

项目完整代码与进阶资源：Real-Time Face Recognition – End-to-End Project