在Arch上从零构建 C++ 人脸识别应用

本教程将基于带您完成从环境配置到最终运行程序的全部流程。

第 0 步：准备您的系统

首先，确保您的 Arch Linux 系统是最新的。这是一个好习惯，可以避免很多潜在的软件版本冲突问题。

打开您的终端 (Konsole)，输入以下命令并按回车。

Bash

sudo pacman -Syu

sudo: 以管理员权限运行命令，因为安装软件需要这个权限。
pacman: Arch Linux 的包管理器，相当于您系统的“应用商店”。
-Syu: -S 代表同步 (Sync)，-y 代表刷新软件包列表，-u 代表升级 (Update) 所有已安装的包。

系统会提示您输入密码，输入后按回车即可。等待系统更新完成。

第 1 步：安装必要的开发工具和库

我们需要 C++ 编译器、项目构建工具 (CMake) 和核心的图像处理库 (OpenCV)。

在终端中输入以下命令：

Bash

sudo pacman -S base-devel cmake opencv

base-devel: 这是一个软件包组，包含了 gcc (C++ 编译器), make (编译工具) 等一系列最基础的开发工具。
cmake: 一个跨平台的项目构建工具，它能读取我们后续编写的配置文件 (CMakeLists.txt) 并生成 make 所需的 Makefile。
opencv: 我们项目最核心的依赖库，提供了所有图像处理和人脸识别的功能。

第 2 步：创建项目文件夹结构

现在，我们需要为项目创建一个干净整洁的工作空间。

创建一个主文件夹。我们把它放在您的主目录 (~) 下，并命名为 FaceRecProject。

Bash
```
# cd ~ 会确保您当前在主目录下
cd ~
mkdir FaceRecProject
```
进入这个主文件夹。之后的所有操作都在这里进行。

Bash
```
cd FaceRecProject
```
创建项目所需的子文件夹。

Bash
```
mkdir build
mkdir data
mkdir cascades
```
- build: 用于存放所有编译过程中产生的临时文件和最终生成的可执行程序，让主目录保持干净。
- data: 用于存放我们提供给程序学习的人脸照片。
- cascades: 用于存放 OpenCV 官方提供的人脸检测模型文件。

第 3 步：下载人脸检测模型

我们需要一个预训练好的模型来告诉程序“人脸长什么样”。

在终端中（确保您仍在 FaceRecProject 文件夹下），运行以下命令：

Bash

wget -P ./cascades https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_alt.xml

wget: 一个从网络上下载文件的命令行工具。
-P ./cascades: -P 参数告诉 wget 把下载的文件放到指定的文件夹里，也就是我们刚创建的 cascades 文件夹。
https://...: 这是模型文件的下载地址。

第 4 步：编写项目代码

现在我们要创建三个核心的文本文件：构建脚本和两个 C++ 源代码文件。

创建构建脚本 CMakeLists.txt

Bash

# 使用 nano 文本编辑器创建一个新文件
nano CMakeLists.txt

将下面的代码完整地复制并粘贴到 nano 编辑器窗口中：

CMake

cmake_minimum_required(VERSION 3.10)
project(FaceRecognition)
set(CMAKE_CXX_STANDARD 17)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
find_package(OpenCV REQUIRED COMPONENTS core highgui imgproc objdetect videoio face)
include_directories(${OpenCV_INCLUDE_DIRS})
add_executable(train_model train_model.cpp)
target_link_libraries(train_model ${OpenCV_LIBS} stdc++fs)
add_executable(recognize_face recognize_face.cpp)
target_link_libraries(recognize_face ${OpenCV_LIBS})

粘贴完成后，按 Ctrl+X，然后按 Y，最后按 回车 来保存并退出。

创建训练程序 train_model.cpp

Bash

nano train_model.cpp

将下面的代码完整地复制并粘贴进去：

C++

#include 
<iostream>
#include 
<fstream>
#include 
<sstream>
#include 
<vector>
#include 
<string>
#include 
<filesystem>
#include <opencv2/core.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/face.hpp>

using namespace cv;
using namespace cv::face;
using namespace std;
namespace fs = std::filesystem;

void create_dataset_csv(const string& data_path, const string& output_file) {
   ofstream csv_file(output_file);
   int label = 0;
   for (const auto& entry : fs::directory_iterator(data_path)) {
       if (entry.is_directory()) {
           for (const auto& img_entry : fs::directory_iterator(entry.path())) {
               if (img_entry.is_regular_file()) {
                   csv_file << img_entry.path().string() << ";" << label << endl;
               }
           }
           label++;
       }
   }
   csv_file.close();
   cout << "Dataset CSV file created at " << output_file << endl;
}

static void read_csv(const string& filename, vector
<Mat>& images, vector<int>& labels, char separator = ';') {
   ifstream file(filename.c_str(), ifstream::in);
   string line, path, classlabel;
   while (getline(file, line)) {
       stringstream liness(line);
       getline(liness, path, separator);
       getline(liness, classlabel);
       if(!path.empty() && !classlabel.empty()) {
           images.push_back(imread(path, IMREAD_GRAYSCALE));
           labels.push_back(atoi(classlabel.c_str()));
       }
   }
}

int main() {
   string data_dir = "./data";
   string csv_file_path = "./data.csv";
   create_dataset_csv(data_dir, csv_file_path);

   vector
<Mat> images;
   vector
<int> labels;
   try {
       read_csv(csv_file_path, images, labels);
   } catch (const cv::Exception& e) {
       cerr << "Error opening file \"" << csv_file_path << "\". Reason: " << e.msg << endl;
       exit(1);
   }
   if(images.size() <= 1) {
       cerr << "Error: This program needs at least 2 images to train. Please add more images to your data directory." << endl;
       exit(1);
   }

   Ptr
<LBPHFaceRecognizer> model = LBPHFaceRecognizer::create();
   cout << "Training the model..." << endl;
   model->train(images, labels);
   string model_filename = "face_model.yml";
   model->save(model_filename);
   cout << "Model trained and saved to " << model_filename << endl;
   return 0;
}

同样按 Ctrl+X, Y, 回车 保存退出。

创建识别程序 recognize_face.cpp

Bash

nano recognize_face.cpp

将下面的代码完整地复制并粘贴进去：

C++

#include 
<iostream>
#include 
<map>
#include 
<string>
#include 
<filesystem>
#include 
<chrono>
#include 
<iomanip>
#include 
<sstream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/objdetect.hpp>
#include <opencv2/face.hpp>

using namespace std;
using namespace cv;
using namespace cv::face;
namespace fs = std::filesystem;

int main() {
   string cascade_path = "./cascades/haarcascade_frontalface_alt.xml";
   string model_path = "face_model.yml";
   CascadeClassifier face_cascade;
   if (!face_cascade.load(cascade_path)) {
       cerr << "Error: Could not load face cascade." << endl;
       return -1;
   }

   Ptr
<FaceRecognizer> model = LBPHFaceRecognizer::create();
   try {
       model->read(model_path);
   } catch (const cv::Exception& e) {
       cerr << "Error: Could not load trained model. Have you trained the model yet?" << endl;
       return -1;
   }

   map<int, string> label_to_name;
   label_to_name[0] = "Person 1"; // 可在此处修改识别出的名字
   label_to_name[1] = "Person 2";

   string strangers_dir = "strangers";
   if (!fs::exists(strangers_dir)) {
       fs::create_directory(strangers_dir);
   }
   auto last_stranger_save_time = chrono::steady_clock::now();
   const auto save_cooldown = chrono::seconds(5);

   VideoCapture cap(0);
   if (!cap.isOpened()) {
       cerr << "Error: Could not open camera." << endl;
       return -1;
   }

   Mat frame;
   while (true) {
       cap >> frame;
       if (frame.empty()) break;

       Mat gray;
       cvtColor(frame, gray, COLOR_BGR2GRAY);
       equalizeHist(gray, gray);

       vector
<Rect> faces;
       face_cascade.detectMultiScale(gray, faces, 1.1, 4, 0|CASCADE_SCALE_IMAGE, Size(30, 30));

       for (const auto& face_rect : faces) {
           Mat face_roi = gray(face_rect);
           Mat resized_face;
           resize(face_roi, resized_face, Size(92, 112), 1.0, 1.0, INTER_CUBIC);

           int predicted_label = -1;
           double confidence = 0.0;
           model->predict(resized_face, predicted_label, confidence);

           rectangle(frame, face_rect, Scalar(0, 255, 0), 2);

           string text;
           if (predicted_label != -1 && confidence < 85.0) {
                string name = label_to_name.count(predicted_label) ? label_to_name[predicted_label] : "Known Person";
                text = format("%s (Conf: %.2f)", name.c_str(), confidence);
           } else {
               text = "Stranger";
               auto now = chrono::steady_clock::now();
               if (chrono::duration_cast<chrono::seconds>(now - last_stranger_save_time) > save_cooldown) {
                   auto time_now_t = chrono::system_clock::to_time_t(chrono::system_clock::now());
                   stringstream ss;
                   ss << put_time(localtime(&time_now_t), "%Y%m%d_%H%M%S");
                   string filename = strangers_dir + "/stranger_" + ss.str() + ".jpg";
                   imwrite(filename, frame(face_rect));
                   cout << "Stranger detected! Image saved to " << filename << endl;
                   last_stranger_save_time = now;
               }
           }

           Point text_pos(face_rect.x, face_rect.y - 10);
           putText(frame, text, text_pos, FONT_HERSHEY_SIMPLEX, 0.6, Scalar(0, 255, 0), 2);
       }

       imshow("Face Recognition", frame);

       if (waitKey(10) == 'q') break;
   }
   return 0;
}

按 Ctrl+X, Y, 回车 保存退出。

第 5 步：准备训练数据

这是教程序认识人脸的关键。

在 data 文件夹里，为每一个人创建一个单独的子文件夹。文件夹的名字最好是英文，比如 zhangsan, lisi。

Bash
```
# 例如，创建两个人的文件夹
mkdir data/zhangsan
mkdir data/lisi
```
将每个人的照片（JPG 或 PNG 格式）放入对应的文件夹。每个人的照片建议至少10张，越多越好，最好包含不同角度、不同表情、不同光线下的照片。

您可以用文件管理器来复制粘贴，或者用 cp 命令。

第 6 步：编译项目

现在，所有代码和数据都准备好了，让我们来编译它。

进入 build 文件夹。

Bash
```
cd build
```
运行 CMake。它会读取上一级目录的 CMakeLists.txt 文件并生成配置。

Bash
```
cmake ..
```
- .. 代表上一级目录。
运行 make。它会根据 CMake 生成的配置，调用 C++ 编译器来编译源代码。

Bash
```
make
```
等待编译完成。如果一切顺利，您不会看到任何红色的错误信息。

第 7 步：运行程序

编译成功后，build 文件夹里会生成两个可执行文件：train_model 和 recognize_face。

首先，训练模型。我们需要回到项目主目录来运行，这样程序才能找到 data 文件夹。

Bash
```
# 回到主目录 FaceRecProject
cd ..

# 运行训练程序
./build/train_model
```
程序会读取 data 文件夹里的照片，训练模型，然后在主目录生成一个 face_model.yml 文件。
最后，运行实时识别程序！

Bash
```
# 确保仍在主目录
./build/recognize_face
```
程序会请求打开您的摄像头。授权后，一个名为 “Face Recognition” 的窗口就会弹出。它会实时地检测和识别人脸，并将陌生人的头像保存在 strangers 文件夹。

按 q 键可以关闭窗口并退出程序。