白小姐现场
智能OPPO手机价格联盟

40行代码的人脸识别实践

编程派2018-03-27 04:50:52

作者:刘潇龙

出处:腾讯云技术社区

原文:https://www.qcloud.com/community/article/552472001490775222

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,区分人脸检测人脸识别完全不是问题。但是网上有很多教程有意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?#24515;?#26377;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?#25945;?#36890;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:

  1. pip install dlib

上面需要用到的?scikit-image同样只是需要这么一句:

  1. pip install scikit-image

  • 注:如果用?pip install dlib?安装失败的话,?#21069;?#35013;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。?#34892;?#36259;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?#24576;?#36807;40行,其实是没啥?#35759;?#30340;。?#24515;讯?#30340;东西都在源码和论文里。

首?#35748;?#36890;过文件树看一下今天需要用到的东西:

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?#30475;蟆?/p>

1. 前期准备

shape_predictor_68_face_landmarks.dat和?dlib_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:

她们分别是

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:

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?#20063;?#26377;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

  1. # -*- coding: UTF-8 -*-

  2. import sys,os,dlib,glob,numpy

  3. from skimage import io

  4. if len(sys.argv) != 5:

  5. ? ? print "请检查?#38382;?#26159;否正确"

  6. ? ? exit()

  7. # 1.人脸关键点检测器

  8. predictor_path = sys.argv[1]

  9. # 2.人脸识别模型

  10. face_rec_model_path = sys.argv[2]

  11. # 3.候选人脸文件夹

  12. faces_folder_path = sys.argv[3]

  13. # 4.需识别的人脸

  14. img_path = sys.argv[4]

  15. # 1.加载正脸检测器

  16. detector = dlib.get_frontal_face_detector()

  17. # 2.加载人脸关键点检测器

  18. sp = dlib.shape_predictor(predictor_path)

  19. # 3. 加载人脸识别模型

  20. facerec = dlib.face_recognition_model_v1(face_rec_model_path)

  21. # win = dlib.image_window()

  22. # 候选人脸描述子list

  23. descriptors = []

  24. # 对文件夹下的每一个人脸进行:

  25. # 1.人脸检测

  26. # 2.关键点检测

  27. # 3.描述子提取

  28. for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):

  29. ? ?print("Processing file: {}".format(f))

  30. ? ?img = io.imread(f)

  31. ? ?#win.clear_overlay()

  32. ? ?#win.set_image(img)

  33. ? ?# 1.人脸检测

  34. ? ?dets = detector(img, 1)

  35. ? ?print("Number of faces detected: {}".format(len(dets)))

  36. ? ?for k, d in enumerate(dets): ?

  37. ? ?# 2.关键点检测

  38. ? ?shape = sp(img, d)

  39. ? ?# 画出人脸区域和和关键点

  40. ? ?# win.clear_overlay()

  41. ? ?# win.add_overlay(d)

  42. ? ?# win.add_overlay(shape)

  43. ? ?# 3.描述子提取,128D向量

  44. ? ?face_descriptor = facerec.compute_face_descriptor(img, shape)

  45. ? ?# 转换为numpy array

  46. ? ?v = numpy.array(face_descriptor) ?

  47. ? ?descriptors.append(v)

  48. # 对需识别人脸进行同样处理

  49. # 提取描述子,不再注释

  50. img = io.imread(img_path)

  51. dets = detector(img, 1)

  52. dist = []

  53. for k, d in enumerate(dets):

  54. ? ?shape = sp(img, d)

  55. ? ?face_descriptor = facerec.compute_face_descriptor(img, shape)

  56. ? ?d_test = numpy.array(face_descriptor)

  57. ? ?# 计算欧式距离

  58. ? ?for i in descriptors:

  59. ? ?dist_ = numpy.linalg.norm(i-d_test)

  60. ? ?dist.append(dist_)

  61. # 候选人名单

  62. candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']

  63. # 候选人和距离组成一个dict

  64. c_d = dict(zip(candidate,dist))

  65. cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1])

  66. print "\n The person is: ",cd_sorted[0][0] ?

  67. 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.dat?和?dlib_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:

  1. The person is Bingbing

?#19988;?#21147;不好的同学可以翻上去看看?test1.jpg?是谁的图片。?#34892;?#36259;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。

?#34892;?#36259;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。


题图:pexels,CC0 授权。

点击阅读原文,查看更多 Python 教程和资源。

白小姐现场
皖福彩25选5开奖号 体彩云南十一选五 什么叫连码 35选7开奖结果查询辽宁 中国体彩网七位数开奖 新浪网福利彩票走势图 天津体育彩票泳坛夺金 河北11选5彩票软件 广东快乐10分胆拖 蓝姐论坛一1肖中特 重新时时彩 宁夏十一选五胆拖 缅甸三分彩开奖记录 体育浙江20选5开奖结果查询 上海时时彩开奖结果走势图