【注意】本博文的档次适合OpenCV初学者，和要做本科生毕业设计这类档次。

上一节是人脸采集，链接如下：

http://blog.csdn.net/qq78442761/article/details/71158472

源码的下载地址和原理理论部分请走下面连接

http://blog.csdn.net/qq78442761/article/details/71157980

本节讲解Opencv中的人脸处理，

功能如下：

当我们点击了功能里面的照片处理后，如下所示：

并且在Data目录下，可以看见生成了一个对应的文件夹，这个文件夹和peopel.txt里面的标识对应，如下图所示：

下面来看代码

void AddPeople::disposePic()
{
    file.CreateFile(QString::number( MaxNumAboutPeople,10));
    QString sourceFilePath="addData\\";
    QString targetFilePath="Data\\"+QString::number(MaxNumAboutPeople,10);
    targetFilePath.append("\\");
    QString sourceFile;
    QString targetFile;
    for(int i=0;i<10;i++)
    {
        sourceFile.append(sourceFilePath+QString::number(i+1,10));
        sourceFile.append(".jpg");
        targetFile.append(targetFilePath);
        targetFile.append(QString::number(i,10));
        targetFile.append(".jpg");
        this->detectAndDisplay(sourceFile,targetFile);
        sourceFile.clear();
        targetFile.clear();
    }
}

这是创建文件夹的代码，是不是很简单呢？其实就是调用了file.h，我们现在进入file.h和file.cpp来看看

如果创建文件夹：

void MyFILE::CreateFile(QString fileName)
{
    PicFile=new QDir;
    QString path="Data\\"+fileName;
    if(PicFile->exists(path))
    {
        QMessageBox about;
        about.setText(tr("文件夹创建失败"));
        about.exec();
    }
    else
    {
        if(PicFile->mkdir(path))
        {
            QMessageBox about;
            about.setText(tr("文件夹创建成功"));
            about.exec();
        }
    }
}

而关于存储图像和处理在detectAndDisplay(sourceFile,targetFile);这个函数中。

现在来看此函数：

void AddPeople::detectAndDisplay(QString source, QString target)
{
    std::string face_cascade_name = "haarcascade_frontalface_alt.xml";
    cv::CascadeClassifier face_cascade;   //定义人脸分类器

    cv::Mat frame = cv::imread(source.toStdString());
    if(!frame.data)
    {
        qDebug()<<source;
        QMessageBox::warning(this,tr("提示"),tr("frame读取失败"),QMessageBox::Ok);
        return;
    }
    if (!face_cascade.load(face_cascade_name))
    {
        QMessageBox::warning(this,tr("错误"),tr("haarcascade_frontalface_alt.xml加载失败"),QMessageBox::Ok);
        return;
    }
    std::vector<cv::Rect> faces;
    cv::Mat img_gray;

    cv::cvtColor(frame, img_gray, cv::COLOR_BGR2GRAY);
    cv::equalizeHist(img_gray, img_gray);

    face_cascade.detectMultiScale(img_gray, faces, 1.1, 3, CV_HAAR_DO_ROUGH_SEARCH, cv::Size(50, 50));

    for (int j = 0; j < (int)faces.size(); j++)
    {
        cv::Mat faceROI = frame(faces[j]);
        cv::Mat MyFace;
        cv::Mat gray_MyFace;
        if (faceROI.cols > 100)
        {
            cv::resize(faceROI, MyFace, cv::Size(92, 112));
            cv::cvtColor(MyFace, gray_MyFace, CV_BGR2GRAY);
            imwrite(target.toStdString(), gray_MyFace);
        }
    }
}

这里的代码说白了就是调用haarcascade找人脸，分割人脸，然后进行灰度处理，和直方图均衡化，然后进行imwrite保存文件。

进行灰度处理，和直方图均衡化是为了训练模型时减少计算，减少冗余信息对识别的影响，提供识别准确度。

10张图片处理完毕了，下面我们生成csv文件。

csv也就是逗号分割的文件，也就是说，我们有10张图，如果10个人就100张图，为了操作方便，为何不用一个文件把这些图的路径和人脸的标号放在一起，让Opencv直接读取，这样才方便。

当点击生成csv后如下图所示：

这个at.txt文件是预先创建好的。

其实功能就是把相对路径换成绝对路径，方便Opencv进行读取。这里有个坑要注意，Opencv中读取csv文件只能是ASCII编码，如果不是ASCII将读取不了，如下图所示：

现在来看代码，如何完成这样的工作：

void AddPeople::AddCSV()
{
    file.MakecsvFile();
}

在Addpeople中AddCSV调用了file.MakecsvFile，现在进去看他具体的代码：

void MyFILE::MakecsvFile()
{
    QDir csvFile("./Data/at.txt");
    QString csvPath=csvFile.absolutePath();
    QString csvFilePath=csvPath;
    csvPath.chop(6);
    QString path=csvPath+QString::number(MaxNumAboutPeople,10)+"/";
    for(int i=0;i<10;i++)
    {
        QString filepath=path;
        filepath.append(QString::number(i,10));
        filepath.append(".jpg;");
        filepath.append(QString::number(MaxNumAboutPeople,10));
        //this->AddPeople(csvFilePath,filepath);
        QFile file(csvFilePath);
        if(!file.open(QIODevice::WriteOnly|QIODevice::Append))
        {
            QMessageBox about;
            about.setText(tr("添加人员时文件打开失败"));
            about.exec();
            return;
        }
        QTextStream in(&file);
        //in.setCodec("UTF-8");
        in<<filepath<<"\r\n";
        file.close();
    }
}

是不是和上一节创建文件一样简单呢！

下一节将说明模型训练！
源码和理论部分在本博文开头有提供。