Python 40行代码实现人脸识别功能


Posted in Python onApril 02, 2017

前言

很多人都认为人脸识别是一项非常难以实现的工作,看到名字就害怕,然后心怀忐忑到网上一搜,看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理,只是要实现这一工作的话,人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。

一点区分

对于大部分人来说,区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有无无意地把人脸检测说成是人脸识别,误导群众,造成一些人认为二者是相同的。其实,人脸检测解决的问题是确定一张图上有木有人脸,而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。今天我们要做的是人脸识别。

所用工具

Anaconda 2——Python 2

Dlib

scikit-image

Dlib

对于今天要用到的主要工具,还是有必要多说几句的。Dlib是基于现代C++的一个跨平台通用的框架,作者非常勤奋,一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等,涉猎甚广。更重要的是,Dlib的文档非常完善,例子非常丰富。就像很多库一样,Dlib也提供了Python的接口,安装非常简单,用pip只需要一句即可:

pip install dlib

上面需要用到的scikit-image同样只是需要这么一句:

pip install scikit-image

注:如果用pip install dlib安装失败的话,那安装起来就比较麻烦了。错误提示很详细,按照错误提示一步步走就行了。

人脸识别

之所以用Dlib来实现人脸识别,是因为它已经替我们做好了绝大部分的工作,我们只需要去调用就行了。Dlib里面有人脸检测器,有训练好的人脸关键点检测器,也有训练好的人脸识别模型。今天我们主要目的是实现,而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。今天的例子既然代码不超过40行,其实是没啥难度的。有难度的东西都在源码和论文里。

首先先通过文件树看一下今天需要用到的东西:

Python 40行代码实现人脸识别功能

准备了六个候选人的图片放在candidate-faces文件夹中,然后需要识别的人脸图片test.jpg。我们的工作就是要检测到test.jpg中的人脸,然后判断她到底是候选人中的谁。另外的girl-face-rec.py是我们的python脚本。shape_predictor_68_face_landmarks.dat是已经训练好的人脸关键点检测器。dlib_face_recognition_resnet_model_v1.dat是训练好的ResNet人脸识别模型。ResNet是何凯明在微软的时候提出的深度残差网络,获得了 ImageNet 2015 冠军,通过让网络对残差进行学习,在深度和精度上做到了比
CNN 更加强大。

1. 前期准备

shape_predictor_68_face_landmarks.datdlib_face_recognition_resnet_model_v1.dat都可以在这里找到。不能点击超链接的可以直接输入以下网址:http://dlib.net/files/。

然后准备几个人的人脸图片作为候选人脸,最好是正脸。放到candidate-faces文件夹中。

本文这里准备的是六张图片,如下:

Python 40行代码实现人脸识别功能

她们分别是

Python 40行代码实现人脸识别功能

然后准备四张需要识别的人脸图像,其实一张就够了,这里只是要看看不同的情况:

Python 40行代码实现人脸识别功能

可以看到前两张和候选文件中的本人看起来还是差别不小的,第三张是候选人中的原图,第四张图片微微侧脸,而且右侧有阴影。

2.识别流程

数据准备完毕,接下来就是代码了。识别的大致流程是这样的:

  • 先对候选人进行人脸检测、关键点提取、描述子生成后,把候选人描述子保存起来。
  • 然后对测试人脸进行人脸检测、关键点提取、描述子生成。
  • 最后求测试图像人脸描述子和候选人脸描述子之间的欧氏距离,距离最小者判定为同一个人。

3.代码

代码不做过多解释,因为已经注释的非常完善了。以下是girl-face-rec.py

# -*- coding: UTF-8 -*-
import sys,os,dlib,glob,numpy
from skimage import io
if len(sys.argv) != 5:
 print "请检查参数是否正确"
 exit()
# 1.人脸关键点检测器
predictor_path = sys.argv[1]
# 2.人脸识别模型
face_rec_model_path = sys.argv[2]
# 3.候选人脸文件夹
faces_folder_path = sys.argv[3]
# 4.需识别的人脸
img_path = sys.argv[4]
# 1.加载正脸检测器
detector = dlib.get_frontal_face_detector()
# 2.加载人脸关键点检测器
sp = dlib.shape_predictor(predictor_path)
# 3. 加载人脸识别模型
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
# win = dlib.image_window()
# 候选人脸描述子list
descriptors = []
# 对文件夹下的每一个人脸进行:
# 1.人脸检测
# 2.关键点检测
# 3.描述子提取
for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):
 print("Processing file: {}".format(f))
 img = io.imread(f)
 #win.clear_overlay()
 #win.set_image(img)
 # 1.人脸检测
 dets = detector(img, 1)
 print("Number of faces detected: {}".format(len(dets)))
 for k, d in enumerate(dets): 
  # 2.关键点检测
  shape = sp(img, d)
  # 画出人脸区域和和关键点
  # win.clear_overlay()
  # win.add_overlay(d)
  # win.add_overlay(shape)
  # 3.描述子提取,128D向量
  face_descriptor = facerec.compute_face_descriptor(img, shape)
  # 转换为numpy array
  v = numpy.array(face_descriptor) 
  descriptors.append(v)
# 对需识别人脸进行同样处理
# 提取描述子,不再注释
img = io.imread(img_path)
dets = detector(img, 1)
dist = []
for k, d in enumerate(dets):
 shape = sp(img, d)
 face_descriptor = facerec.compute_face_descriptor(img, shape)
 d_test = numpy.array(face_descriptor) 
 # 计算欧式距离
 for i in descriptors:
  dist_ = numpy.linalg.norm(i-d_test)
  dist.append(dist_)
# 候选人名单
candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']
# 候选人和距离组成一个dict
c_d = dict(zip(candidate,dist))
cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1])
print "\n The person is: ",cd_sorted[0][0] 
dlib.hit_enter_to_continue()

4.运行结果

我们在.py所在的文件夹下打开命令行,运行如下命令

python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg

由于shape_predictor_68_face_landmarks.datdlib_face_recognition_resnet_model_v1.dat名字实在太长,所以我把它们重命名为1.dat和2.dat。

运行结果如下:

The person is Bingbing。

记忆力不好的同学可以翻上去看看test1.jpg是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。

这里需要说明的是,前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人4。对比一下两张图片可以很容易发现混淆的原因。

机器毕竟不是人,机器的智能还需要人来提升。

有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张,然后对比和每个人距离的平均值之类的。全凭自己了。

以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,同时也希望多多支持三水点靠木!

Python 相关文章推荐
Python函数学习笔记
Oct 07 Python
精确查找PHP WEBSHELL木马的方法(1)
Apr 12 Python
详解python3百度指数抓取实例
Dec 12 Python
Python中datetime模块参考手册
Jan 13 Python
Python堆排序原理与实现方法详解
May 11 Python
pandas带有重复索引操作方法
Jun 08 Python
Python实现爬取马云的微博功能示例
Feb 16 Python
pybind11和numpy进行交互的方法
Jul 04 Python
Django ORM 自定义 char 类型字段解析
Aug 09 Python
python 获取谷歌浏览器保存的密码
Jan 06 Python
python神经网络编程之手写数字识别
May 08 Python
Python办公自动化之教你用Python批量识别发票并录入到Excel表格中
Jun 26 Python
Python可变参数用法实例分析
Apr 02 #Python
Python编程实现数学运算求一元二次方程的实根算法示例
Apr 02 #Python
Python中selenium实现文件上传所有方法整理总结
Apr 01 #Python
详解Python多线程Selenium跨浏览器测试
Apr 01 #Python
Python 基础之字符串string详解及实例
Apr 01 #Python
Python中格式化format()方法详解
Apr 01 #Python
Python 中开发pattern的string模板(template) 实例详解
Apr 01 #Python
You might like
删除无限级目录与文件代码共享
2006/07/12 PHP
yum命令安装php7和相关扩展
2016/07/04 PHP
php如何实现不借助IDE快速定位行数或者方法定义的文件和位置
2017/01/17 PHP
Yii 2.0实现联表查询加搜索分页的方法示例
2017/08/02 PHP
使用 PHP Masked Package 屏蔽敏感数据的实现方法
2019/10/15 PHP
超级简单的图片防盗(HTML),好用
2007/04/08 Javascript
关于Aptana Studio生成自动备份文件的解决办法
2009/12/23 Javascript
Backbone中View之间传值的学习心得
2016/08/09 Javascript
vue.js利用Object.defineProperty实现双向绑定
2017/03/09 Javascript
Bootstrap滚动监听组件scrollspy.js使用方法详解
2017/07/20 Javascript
jQuery EasyUI的TreeGrid查询功能实现方法
2017/08/08 jQuery
[04:56]经典回顾:前Ehome 与 前LGD
2015/02/26 DOTA
Python守护进程用法实例分析
2015/06/04 Python
python开发之基于thread线程搜索本地文件的方法
2015/11/11 Python
Python实现通讯录功能
2018/02/22 Python
python调试神器PySnooper的使用
2019/07/03 Python
Python with用法:自动关闭文件进程
2019/07/10 Python
python3的数据类型及数据类型转换实例详解
2019/08/20 Python
CSS3教程(8):CSS3透明度指南
2009/04/02 HTML / CSS
美国领先的户外服装与装备用品店:Moosejaw
2016/08/25 全球购物
台湾旅游网站:灿星旅游
2018/10/11 全球购物
经济信息管理专业大学生求职信
2013/09/27 职场文书
后勤副校长自我鉴定
2013/10/13 职场文书
最新计算机专业自荐信
2013/10/16 职场文书
工程业务员岗位职责
2013/12/31 职场文书
2014年高三毕业生自我评价
2014/01/11 职场文书
安全检查验收制度
2014/01/12 职场文书
物流业务员岗位职责
2014/02/08 职场文书
最新结婚典礼主持词
2014/03/14 职场文书
安康杯竞赛活动总结
2014/05/05 职场文书
初中生300字旷课检讨书
2014/11/19 职场文书
2014年物流工作总结
2014/11/25 职场文书
个人年底工作总结
2015/03/10 职场文书
导盲犬小Q观后感
2015/06/11 职场文书
2015年教师节感言
2015/08/03 职场文书
Python的三个重要函数详解
2022/01/18 Python