face_recognition人脸识别

news/2024/10/28 16:24:41/

face_recognition人脸识别

face_recognition简介

这是世界上最简单的人脸识别库了。你可以通过Python引用或者命令行的形式使用它，来管理和识别人脸。
该软件包使用dlib中最先进的人脸识别深度学习算法，使得识别准确率在《Labled Faces in the world》测试基准下达到了99.38%。它同时提供了一个叫face_recognition的命令行工具，以便你可以用命令行对一个文件夹中的图片进行识别操作。

face_recognition安装

1.1 先安装 cmake 和 boost

pip  install  cmake
pip install boost

1.2 安装 dlib

pip install dlib

此处安装可能要几分钟。如安装出错，建议使用 whl 文件来安装
下载地址：https://pypi.org/simple/dlib/
然后输入pip install …whl

1.3 安装 face_recognition
face_recongnition 一般要配合 opencv 一起使用

pip install face_recognition
pip install opencv-python

人脸识别

（一）检测两张图片是否为同一个人

#人脸识别
import face_recognition
from PIL import Image
import matplotlib.pyplot as plt
known_image = face_recognition.load_image_file("images/train.jpg")
unknown_image = face_recognition.load_image_file("images/test.jpg")
img1 = Image.open("images/train.jpg")
plt.imshow(img1)
plt.axis('off')
plt.show()
img2 = Image.open("images/test.jpg")
plt.imshow(img2)
plt.axis('off')
plt.show()
baixiaona_encoding = face_recognition.face_encodings(known_image)[0]
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]
results = face_recognition.compare_faces([baixiaona_encoding], unknown_encoding)
if results[0] == True:print ("Yes!")
else:print ("No!")

API说明：

图像载入函数——load_image_file

   load_image_file(file, mode='RGB')加载一个图像文件到一个numpy array类型的对象上。参数：file：待加载的图像文件名字mode：转换图像的格式。只支持“RGB”(8位RGB, 3通道)和“L”(黑白)返回值：一个包含图像数据的numpy array类型的对象

人脸编码函数——face_encodings

   face_encodings(face_image, known_face_locations=None, num_jitters=1)给定一个图像，返回图像中每个人脸的128脸部编码（特征向量）。参数：face_image：输入的人脸图像known_face_locations：可选参数，如果你知道每个人脸所在的边界框num_jitters=1：在计算编码时要重新采样的次数。越高越准确，但速度越慢（100就会慢100倍）返回值：一个128维的脸部编码列表

人脸匹配函数——compare_faces

   compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)比较脸部编码列表和候选编码，看看它们是否匹配，设置一个阈值，若两张人脸特征向量的距离，在阈值范围之内，则认为其 是同一个人参数：known_face_encodings：已知的人脸编码列表face_encoding_to_check：待进行对比的单张人脸编码数据tolerance=0.6：两张脸之间有多少距离才算匹配。该值越小对比越严格，0.6是典型的最佳值返回值：一个 True或者False值的列表，该表指示了known_face_encodings列表的每个成员的匹配结果

在这里插入图片描述

人脸标注

import face_recognition
from PIL import Image, ImageDraw
import numpy as npdef draws():baixiaona_image = face_recognition.load_image_file("images/test3.jpg")baixiaona_face_encoding = face_recognition.face_encodings(baixiaona_image)[0]known_face_encodings = [baixiaona_face_encoding]known_face_names = ["Bai"]unknown_image = face_recognition.load_image_file("images/test1.jpg")face_locations = face_recognition.face_locations(unknown_image)face_encodings = face_recognition.face_encodings(unknown_image, face_locations)pil_image = Image.fromarray(unknown_image)draw = ImageDraw.Draw(pil_image)for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):matches = face_recognition.compare_faces(known_face_encodings, face_encoding)name = "Unknown"if matches[0]==True:name = known_face_names[0]#print(matches[0])draw.rectangle(((left, top), (right, bottom)), outline=(0, 0, 255))text_width, text_height = draw.textsize(name)draw.rectangle(((left, bottom - text_height - 10), (right, bottom)), fill=(0, 0, 255), outline=(0, 0, 255))draw.text((left + 6, bottom - text_height - 5), name, fill=(255, 255, 255, 255))del drawpil_image.show()pil_image.save("images/image_with_boxes.jpg")
draws()

在这里插入图片描述

人脸定位函数——face_locations

   face_locations(face_image,number_of_times_to_upsample=1,model="hog")利用CNN深度学习模型或方向梯度直方图（Histogram of Oriented Gradient, HOG）进行人脸提取。返回值是一个数组(top, right, bottom, left)表示人脸所在边框的四条边的位置。参数：face_image：输入的人脸图像number_of_times_to_upsample=1：从图片的样本中查找多少次人脸，该参数的值越高的话越能发现更小的人脸model="hog"：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPU上运行更快，“cnn” 更准确更深度（且GPU/CUDA加速，如果有GPU支持的话），默认是“hog”返回值：一个元组列表，列表中的每个元组包含人脸的四边位置(top, right, bottom, left)

批次人脸定位函数（GPU）——batch_face_locations

   batch_face_locations(face_images,number_of_times_to_upsample=1,batch_size=128)使用CNN人脸检测器返回一个包含人脸特征的二维数组，如果使用了GPU，这个函数能够更快速的返回结果；如果不使用GPU的话，该函数就没必要使用参数：face_images：输入多张人脸图像组成的listnumber_of_times_to_upsample=1：从图片的样本中查找多少次人脸，该参数的值越高的话越能发现更小的人脸batch_size=128：每个GPU一次批处理多少个image返回值：一个元组列表，列表中的每个元组包含人脸的四边位置(top, right, bottom, left)人脸特征向量距离函数——face_distance

face_distance(face_encodings,face_to_compare)

   给定一组面部编码，将它们与已知的面部编码进行比较，得到欧氏距离。对于每一个比较的脸，欧氏距离代表了这些脸有多相似。参数：face_encodings：输入的人脸图片face_to_compare：待进行对比的单张人脸编码数据tolerance：比对阈值，即两张脸之间有多少距离才算匹配。该值越小对比越严格，0.6是典型的最佳值返回值：一个numpy ndarray，数组中的欧式距离与faces数组的顺序一一对应

人脸化妆

import face_recognition
from PIL import Image, ImageDraw
import numpy as np
#将图片文件加载到 numpy 数组中，然后将人脸中的面部所有特征识别到一个列表中
image = face_recognition.load_image_file("images/test1.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)print(face_landmarks_list)pil_image = Image.fromarray(image)
d = ImageDraw.Draw(pil_image)#遍历列表中的元素
for face_landmarks in face_landmarks_list:# 打印出图片中每个脸部特征的位置for facial_feature in face_landmarks.keys():print ("The {} in this face has the following points: {}".format(facial_feature, face_landmarks[facial_feature]))#修改眉毛
#     d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))
#     d.polygon(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 128))
#     d.line(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 150), width=5)
#     d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5)#给人脸涂口红
#     d.polygon(face_landmarks['top_lip'], fill=(150, 0, 0, 128))
#     d.polygon(face_landmarks['bottom_lip'], fill=(150, 0, 0, 128))
#     d.line(face_landmarks['top_lip'], fill=(150, 0, 0, 64), width=8)
#     d.line(face_landmarks['bottom_lip'], fill=(150, 0, 0, 64), width=8)#增加眼线
#     d.polygon(face_landmarks['left_eye'], fill=(255, 255, 255, 30))
#     d.polygon(face_landmarks['right_eye'], fill=(255, 255, 255, 30))
#     d.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(0, 0, 0, 110), width=6)
#     d.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(0, 0, 0, 110), width=6)
# Show the picture
pil_image.show()

人脸特征提取函数——face_landmarks

   face_landmarks(face_image,face_locations=None,model="large")给定一个图像，提取图像中每个人脸的脸部特征位置参数：face_image：输入的人脸图片face_locations=None：可选参数，默认值为None，代表默认解码图片中的每一个人脸。若输入face_locations()[i]可指定人脸进行解码model="large"：输出的特征模型，默认为“large”，可选“small”。当选择为"small"时，只提取左眼、右眼、鼻尖这三种脸部特征。返回值：返回值类型为：List[Dict[str,List[Tuple[Any,Any]]]]，是由各个脸部特征关键点位置组成的字典记录列表，一个Dict对象对应图片中的一个人脸，其key为某个脸部特征（如输出中的nose_bridge、left_eye等），value是由该脸部特征各个关键点位置组成的List，关键点位置是一个Tuple（如上输出中，nose_bridge对应的关键点位置组成的列表为[(881L, 128L), (880L, 141L), (880L, 154L), (879L, 167L)]  ）

http://www.ppmy.cn/news/662008.html

相关文章

人脸检测——RetinaFace

人脸检测——RetinaFace

RetinaFace: Single-stage Dense Face Localisation in the Wild 作者： 帝国理工，伦敦米德尔塞克斯大学，InsightFace paper： https://arxiv.org/pdf/1905.00641.pdf github： https://github.com/deepinsight/insightf…
阅读更多...
人脸识别——FaceBook的DeepFace、Google的FaceNet、DeepID

人脸识别——FaceBook的DeepFace、Google的FaceNet、DeepID

DeepFace--Facebook的人脸识别 版权声明：本文为博主原创文章，未经博主允许不得转载。 目录(?)[] 连续看了DeepID和FaceNet后，看了更早期的一篇论文，即FB的DeepFace。这篇论文早于DeepID和FaceNet，但其所使用的方法在…
阅读更多...
Face-recognition实现人脸识别

Face-recognition实现人脸识别

文章目录 1.前置知识点（1）Opencv中矩形，绘制文本（2）Opencv中基础的知识点（3）face_recognition.face_locations(img1ToRGB)（4）face_recognition.face_encodings(img1ToRGB…
阅读更多...
face_recognition 人脸识别

face_recognition 人脸识别

前言 之前实践了下face在线人脸识别版本，这回做一下离线版本。github 上面有关于face_recognition的相关资料，本人只是做个搬运工，对其中的一些内容进行搬运，对其中一些例子进行实现。 官方描述： face_recognition …
阅读更多...
DeepFace--Facebook的人脸识别

DeepFace--Facebook的人脸识别

连续看了DeepID和FaceNet后，看了更早期的一篇论文，即FB的DeepFace。这篇论文早于DeepID和FaceNet，但其所使用的方法在后面的论文中都有体现，可谓是早期的奠基之作。因而特写博文以记之。 DeepFace基本框架 人脸识别的基本流程是…
阅读更多...
人脸识别之特征脸方法（Eigenface）

人脸识别之特征脸方法（Eigenface）

人脸识别之特征脸方法（Eigenface） zouxy09qq.com http://blog.csdn.net/zouxy09 因为需要，花了一点时间写了下经典的基于特征脸（EigenFace）的人脸识别方法的Matlab代码。这里仅把该代码分享出来。其实，在…
阅读更多...
RetinaFace

RetinaFace

文章目录 一、数据处理1. wider_face.py2. data_augment.py 二、默认框生成三、网络框架四、损失函数box_utils.pymultibox_loss.py五、与MTCNN对比MTCNNRetinaFace 一、数据处理 RetinaFace的数据处理脚本主要有wider_face.py和data_augment.py两个文件。 1. wider_face.py …
阅读更多...
FaceNet--Google的人脸识别

FaceNet--Google的人脸识别

引入 随着深度学习的出现，CV领域突破很多，甚至掀起了一股CV界的创业浪潮，当次风口浪尖之时，Google岂能缺席。特贡献出FaceNet再次刷新LFW上人脸验证的效果记录。 本文是阅读FaceNet论文的笔记，所有配图均来自于论文。…
阅读更多...
最新文章

Copyright @ 2022~2023