写在前面--碎碎念

上次更新了一篇关于如何使用python自带的tkinter库实现人脸识别的界面，大致介绍了我们想达到的设计目标和tkinter库的基础知识。在这个小程序中，涉及到了摄像头调用（包括截图、存图、图片大小修改）、后台机器学习模型调用两个核心功能，还有tkinter界面的布局、美化、显示图片和模型预测结果等展示效果。

声明

由于整体实现需要深度学习网络的调用，这里不对深度学习人脸识别的具体实现进行展现解释。而且是小伙伴的项目，也涉及到他人的科研成果，所以只借用这个项目的形式针对界面部分进行详细说明，还请理解。不会提供包括深度学习模型实现在内的完整代码，伸手党请绕道。

一、初始化

1、模块导入

# -*- coding: utf-8 -*-
#代码默认python2版本，python3有出入的地方在注释中
from Tkinter import * # from tkinter import *导入tkinter库
import tkFileDialog # from tkinter import filedialog 调用文件读取弹窗模块，实现用户可以选择本地图片作为输入
from PIL import Image, ImageTk #调用图片处理模块，保证png后缀名可用
import cv2 #导入OpenCV库
import threading #多线程调用，从视频流中获取新的帧
import datetime #为保存的截图文件获取一个易读的时间相关名称
import os #调用系统命令
import caffe #导入caffe，深度学习框架调用
import filter #图片处理
import scipy.misc #以图像形式保存数组
import numpy as np #数组运算
import re #正则表达式匹配操作
import linecache #把文件读入到缓存中，在以后访问文件的时候，就不必要再从硬盘读取

2、变量定义

#全局变量
filename = "" #初始文件名
synname = "" #添加扰动后的合成文件名
flag = int(0)
var3 = ""

3、网络初始化

根据调用网络，进行初始化操作：略
这个对深度学习有研究的同学来说应该不是问题~~

二、界面模块与内部功能对应关系

人脸识别演示界面与功能对应.png

三、界面设置

if __name__ == '__main__':
    root = Tk()
    frame = Frame(root,bg='#3b3a4a')#设置背景颜色
    frame.pack(expand=YES,fill=BOTH,anchor='n')#背景颜色填充整个窗口
    root.title("人脸识别演示")#设置窗口标题
    root.geometry("800x600")#注意中间是小写x
    root.iconbitmap('muma.ico')#设置窗口标题栏小logo，注意需要是ico格式
#选择图片按钮
    Button(frame,text="选择文件",command=get_file,height=1,width=8,bg='#1ebad6',font=('微软雅黑',14)).grid(row=4,column=1,padx=10)
    Button(frame,text="拍照截图",command=shot_pic,height=1,width=8,bg='#1ebad6',font=('微软雅黑',14)).grid(row=5,column=1,padx=10)

#选择扰动按钮
    Button(frame,text="选择扰动",command=get_trg,height=1,width=8,bg='#1ebad6',font=('微软雅黑',14)).grid(row=12,column=1,padx=10,sticky=S)

#添加显示原始图片的背景图片
    img1 = Image.open("picbg.png")
    photo1 = ImageTk.PhotoImage(img1)
    img_label1 = Label(frame, imag=photo1,bd=0)
    img_label1.grid(row=4,column=2,rowspan=3,columnspan=3,padx=4,pady=10)

#添加显示合成图片的背景图片
    img2 = Image.open("picbg.png")
    photo2 = ImageTk.PhotoImage(img2)
    img_label2 = Label(frame, imag=photo2,bd=0)
    img_label2.grid(row=12,column=2,rowspan=3,columnspan=3,padx=4,pady=20)

#显示图片标签
    frm_L0 = Frame(frame)
    var0 = StringVar()
    Label(frm_L0,text="图片标签：").pack(side=LEFT)
    Entry(frm_L0,textvariable=var0,bd=0).pack(side=LEFT)
    frm_L0.grid(row=7,column=3)

#选择原始图片训练模型
    Button(frame, text="原始模型", command=can_data1, height=1, width=8,font=('微软雅黑',12),activebackground='pink', bg='#161626',fg='#f2f2f4',bd=1).grid(row=4, column=6,padx=4,pady=10)
    Button(frame, text="修改模型", command=can_data2, height=1, width=8,font=('微软雅黑',12),activebackground='pink', bg='#c0c0c8',bd=1).grid(row=5, column=6,padx=4,pady=10)
#选择合成图片训练模型
    Button(frame, text="原始模型", command=can_data3, height=1, width=8,font=('微软雅黑',12),activebackground='pink', bg='#161626',fg='#f2f2f4',bd=1).grid(row=12, column=6,padx=4,pady=10)
    Button(frame, text="修改模型", command=can_data4, height=1, width=8,font=('微软雅黑',12),activebackground='pink', bg='#c0c0c8',bd=1).grid(row=13, column=6,padx=4,pady=10)

#设置原始图片处理
#设置原始模型预测结果的显示框
    nfrm_L1 = Frame(frame)
    var11 = StringVar()
    var11.set("")
    Label(nfrm_L1, text="分类结果：",bg='#c0c0c8').pack(fill=BOTH)
    Entry(nfrm_L1, textvariable=var11,bd=0).pack()
    nfrm_L1.grid(row=4, column=8,padx=2)

#设置原始预测结果置信度的显示框
    nfrm_L2 = Frame(frame)
    var12 = StringVar()
    var12.set("")
    Label(nfrm_L2, text="置信度：",bg='#c0c0c8').pack(fill=BOTH)
    Entry(nfrm_L2, textvariable=var12, bd=0).pack()
    nfrm_L2.grid(row=4,column=9,padx=2)

#设置修改模型预测结果的显示框
    mfrm_L1 = Frame(frame)
    var13 = StringVar()
    var13.set("")
    Label(mfrm_L1,text="分类结果：",bg='#c0c0c8').pack(fill=BOTH)
    Entry(mfrm_L1,textvariable=var13,bd=0).pack()
    mfrm_L1.grid(row=5,column=8,padx=2)

#设置修改预测结果置信度的显示框
    mfrm_L2 = Frame(frame)
    var14 = StringVar()
    var14.set("")
    Label(mfrm_L2, text="置信度：",bg='#c0c0c8').pack(fill=BOTH)
    Entry(mfrm_L2, textvariable=var14, bd=0).pack()
    mfrm_L2.grid(row=5,column=9,padx=2)

#设置合成图片处理
#设置原始模型预测结果的显示框
    nfrm_L3 = Frame(frame)
    var21 = StringVar()
    var21.set("")
    Label(nfrm_L3, text="分类结果：",bg='#c0c0c8').pack(fill=BOTH)
    Entry(nfrm_L3, textvariable=var21, bd=0).pack()
    nfrm_L3.grid(row=12, column=8)

#设置原始预测结果置信度的显示框
    nfrm_L4 = Frame(frame)
    var22 = StringVar()
    var22.set("")
    Label(nfrm_L4, text="置信度：",bg='#c0c0c8').pack(fill=BOTH)
    Entry(nfrm_L4, textvariable=var22, bd=0).pack()
    nfrm_L4.grid(row=12, column=9)

#设置修改模型预测结果的显示框
    mfrm_L3 = Frame(frame)
    var23 = StringVar()
    var23.set("")
    Label(mfrm_L3,text="分类结果：",bg='#c0c0c8').pack(fill=BOTH)
    Entry(mfrm_L3,textvariable=var23,bd=0).pack()
    mfrm_L3.grid(row=13, column=8)

#设置修改模型预测结果置信度的显示框
    mfrm_L4 = Frame(frame)
    var24 = StringVar()
    var24.set("")
    Label(mfrm_L4, text="置信度：",bg='#c0c0c8').pack(fill=BOTH)
    Entry(mfrm_L4,textvariable=var24,bd=0).pack()
    mfrm_L4.grid(row=13, column=9)


    root.mainloop()

四、功能实现

1、摄像头拍照截图

def shot_pic():
    global flag
    global filename
    flag = 0
    #视频窗口设置
    capture = cv2.VideoCapture(0)
    capture.set(cv2.CAP_PROP_FRAME_WIDTH, 640) #宽224
    capture.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) #高224

    top = Toplevel()
    top.title('camera shot')
    frm_top = Frame(top)
    Button(top, height=2, width=8, text='截取图片',command=stop_pic).pack(side=TOP)
    canvas = Canvas(top, bg='black', height=480, width=640)
    canvas.pack()

    #实时获取视频
    while (capture.isOpened()):
        ret, frame = capture.read() #ret表示是否成功读取视频帧
        if ret:
            cv2image = cv2.cvtColor(frame, cv2.COLOR_BGR2RGBA)
            img = Image.fromarray(cv2image)
            image_file = ImageTk.PhotoImage(img)
            canvas.create_image(0, 0, anchor='nw', image=image_file, tags='c1')
            frm_top.update_idletasks()
            frm_top.update()

        if flag==1:
            cv2.imwrite("cut_img.jpg", frame)  # 保存路径
            img = cv2.imread('cut_img.jpg')
            img = img[110:420,180:490]  #高，宽
            img = cv2.resize(img,(224,224))
            cv2.imwrite("cut_img.jpg", img)  # 保存路径
            filename = "cut_img.jpg"
            break

    capture.release()
    cv2.destroyAllWindows()
    top.destroy()
    #主窗口打开截图
    pic_name = "cut_img.jpg"
    var0.set(pic_name)  #图片标签
    img1 = Image.open(pic_name)  # 打开图片
    photo1 = ImageTk.PhotoImage(img1)  # 用PIL模块的PhotoImage打开
    img_label1.config(imag=photo1)
    mainloop()

2、对图片进行处理

def crop(image_size, output_size, image):
    topleft = ((output_size[0] - image_size[0])/2, (output_size[1] - image_size[1])/2)
    return image.copy()[:,:,topleft[0]:topleft[0]+image_size[0], topleft[1]:topleft[1]+image_size[1]]
    
def classify(fname):
    averageImage = [129.1863, 104.7624, 93.5940]
    pix = scipy.misc.imread(fname)

    data = np.float32(np.rollaxis(pix, 2)[::-1])
    data[0] -= averageImage[2]
    data[1] -= averageImage[1]
    data[2] -= averageImage[0]
    return np.array([data])