ein paar updates , code mehr clean machen , probleme und mini bugs lösen

bildPy/src/source.py

@@ -4,70 +4,67 @@ import numpy as np
 import pickle
 
 # --- KONFIGURATION ---
-# Da wir in 'src' sind, greifen wir auf die übergeordneten Ordner zu
+# Pfade zu den Daten- und Modellordnern
 RAW_DATA_PFAD = "../data_raw"
 MODEL_PFAD = "../models"
-# yml für biometrische Daten
+# Datei für die trainierten biometrischen Daten
 MODEL_FILE = os.path.join(MODEL_PFAD, "trained_lbph.yml")
-# Mapping der IDs aus den Bio-Daten zu echten Personennamen
+# Datei für das Mapping von IDs zu Personennamen
 NAMES_FILE = os.path.join(MODEL_PFAD, "names.pkl")
 
-# Gesicht-Detektor (Haar Cascade) initialisieren
+# Initialisierung des Haar-Cascade-Detektors für die Gesichtserkennung
 face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
 
-# LBPH Recognizer initialisieren
+# Initialisierung des LBPH-Recognizers [cite: 8]
 recognizer = cv2.face.LBPHFaceRecognizer_create()
 
 
-# Hilfsfunktion: Erstellt Ordner, falls sie nicht existieren
 def create_directory_if_not_exists(directory):
+    """Erstellt den Zielordner, falls dieser nicht existiert."""
     if not os.path.exists(directory):
         os.makedirs(directory)
 
 
-# Funktion: Trainiert das Modell
 def train_model():
-    print("\n--- Training hat angefangen ---")
+    """Lädt Bilder, extrahiert Gesichter und trainiert das LBPH-Modell."""
+    print("\n--- Training wird gestartet ---")
     faces = []
     ids = []
     names_map = {}
     current_id = 0
 
-    # Überprüft, ob der Daten-Ordner existiert
     if not os.path.exists(RAW_DATA_PFAD):
-        print(f"Fehler: Verzeichnis '{RAW_DATA_PFAD}' nicht gefunden.")
+        print(f"Fehler: Ordner '{RAW_DATA_PFAD}' nicht gefunden.")
         return
 
-    # Geht durch jeden Ordner in data_raw (z.B. diddy, kirk, etc.)
+    # Durchläuft alle Personen-Ordner in data_raw [cite: 31]
     for person_name in os.listdir(RAW_DATA_PFAD):
         person_path = os.path.join(RAW_DATA_PFAD, person_name)
 
-        # Überspringt alles, was kein Ordner ist (z.B. .DS_Store oder .txt Dateien)
         if not os.path.isdir(person_path):
             continue
 
         names_map[current_id] = person_name
-        print(f"Verarbeite ID {current_id}: {person_name}")
+        print(f"Verarbeite Person: {person_name} (ID: {current_id})")
 
-        # Geht durch jedes Bild im Ordner der jeweiligen Person
         for image_name in os.listdir(person_path):
-            # Überspringt unsichtbare Dateien, die mit '.' starten
             if image_name.startswith("."):
                 continue
 
             image_path = os.path.join(person_path, image_name)
-
-            # Lädt das Bild und konvertiert es in Graustufen (Grayscale)
             img = cv2.imread(image_path)
+
             if img is None:
                 continue
+
+            # Konvertierung in Graustufen für die LBP-Extraktion [cite: 36]
             gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
-            # Detektiert Gesichter im Bild
+            # Gesichter im Bild erkennen
             faces_rects = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5)
 
             for (x, y, w, h) in faces_rects:
-                # Region of Interest (ROI) - das gefundene Gesicht ausschneiden
+                # Gesichtsbereich (ROI) ausschneiden
                 roi = gray[y:y + h, x:x + w]
                 faces.append(roi)
                 ids.append(current_id)
@@ -75,14 +72,14 @@ def train_model():
         current_id += 1
 
     if len(faces) == 0:
-        print("Keine Gesichter gefunden. Bitte prüfe den 'data_raw' Ordner.")
+        print("Fehler: Keine Gesichter im 'data_raw' Ordner gefunden.")
         return
 
-    # Trainiert das LBPH Modell
-    print(f"\nTraining mit {len(faces)} Gesichtsproben...")
+    # Modell mit den gesammelten Gesichtern trainieren
+    print(f"Training mit {len(faces)} Gesichtsproben läuft...")
     recognizer.train(faces, np.array(ids))
 
-    # Speichert das Modell und die Namensliste
+    # Modell und Namenszuordnung speichern
     create_directory_if_not_exists(MODEL_PFAD)
     recognizer.write(MODEL_FILE)
     with open(NAMES_FILE, 'wb') as f:
@@ -91,12 +88,12 @@ def train_model():
     print(f"Erfolg! Modell gespeichert unter: {MODEL_FILE}")
 
 
-# Funktion: Erkennt Gesichter in Echtzeit (Webcam)
 def recognize_faces():
-    print("\n--- Gesichtserkennung gestartet ---")
+    """Startet die Live-Erkennung über die Webcam."""
+    print("\n--- Live-Erkennung gestartet ---")
 
     if not os.path.exists(MODEL_FILE) or not os.path.exists(NAMES_FILE):
-        print("Fehler: Modell nicht gefunden. Bitte zuerst Option 1 (Training) ausführen.")
+        print("Fehler: Kein trainiertes Modell gefunden. Bitte zuerst Option 1 wählen.")
         return
 
     # Modell und Namen laden
@@ -104,8 +101,9 @@ def recognize_faces():
     with open(NAMES_FILE, 'rb') as f:
         names_map = pickle.load(f)
 
+    # Webcam-Stream öffnen
     cap = cv2.VideoCapture(0)
-    print("Drücke 'q', um das Fenster zu schließen.")
+    print("Info: Drücke 'q', um die Erkennung zu beenden.")
 
     while True:
         ret, frame = cap.read()
@@ -117,23 +115,27 @@ def recognize_faces():
 
         for (x, y, w, h) in faces_rects:
             roi_gray = gray[y:y + h, x:x + w]
+
+            # Vorhersage treffen (ID und Confidence-Wert) [cite: 48, 49]
+            # Hinweis: Ein niedrigerer Confidence-Wert bedeutet eine höhere Genauigkeit bei LBPH.
             id_, confidence = recognizer.predict(roi_gray)
 
-            # Bei LBPH gilt: Niedrigerer Wert = Bessere Übereinstimmung
-            if confidence < 85:
+            if confidence < 85:  # Schwellenwert für die Erkennung [cite: 49]
                 name = names_map[id_]
-                conf_text = f"{round(100 - confidence)}%"
+                prozent = f"{round(100 - confidence)}%"
             else:
                 name = "Unbekannt"
-                conf_text = f"{round(100 - confidence)}%"
+                prozent = f"{round(100 - confidence)}%"
 
-            # Rechteck und Text zeichnen
+            # Farbe festlegen: Grün für bekannt, Rot für unbekannt
             color = (0, 255, 0) if name != "Unbekannt" else (0, 0, 255)
-            cv2.rectangle(frame, (x, y), (x + w, y + h), color, 2)
-            cv2.putText(frame, name, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2)
-            cv2.putText(frame, conf_text, (x, y + h + 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 0), 1)
 
-        cv2.imshow("LBPH Gesichtserkennung Projekt", frame)
+            # Rahmen und Text im Bild einblenden
+            cv2.rectangle(frame, (x, y), (x + w, y + h), color, 2)
+            cv2.putText(frame, f"{name} ({prozent})", (x, y - 10),
+                        cv2.FONT_HERSHEY_SIMPLEX, 0.8, color, 2)
+
+        cv2.imshow("Klassenprojekt - LBPH Gesichtserkennung", frame)
 
         if cv2.waitKey(1) & 0xFF == ord('q'):
             break
@@ -142,12 +144,11 @@ def recognize_faces():
     cv2.destroyAllWindows()
 
 
-# Hauptmenü Steuerung
 if __name__ == "__main__":
     while True:
-        print("\n=== KLASSENPROJEKT MENÜ ===")
+        print("\n=== LBPH GESICHTSERKENNUNG MENÜ ===")
         print("1. Modell trainieren")
-        print("2. Erkennung starten (Webcam)")
+        print("2. Live-Erkennung starten (Webcam)")
         print("3. Beenden")
 
         wahl = input("Wähle eine Option (1-3): ")
@@ -157,7 +158,7 @@ if __name__ == "__main__":
         elif wahl == '2':
             recognize_faces()
         elif wahl == '3':
-            print("Programm wird beendet.")
+            print("Programm beendet.")
             break
         else:
             print("Ungültige Eingabe.")