哪些网站做的比较炫,建立一个网站,湖南网站建设公司 地址磐石网络,昆明网络营销网站这里写自定义目录标题 欢迎使用Markdown编辑器一、安装人脸识别库face_recognition1.1 安装cmake1.2 安装dlib库1.3 安装face_recognition 二、3个常用的人脸识别案例2.1 识别并绘制人脸框2.2 提取并绘制人脸关键点2.3 人脸匹配及标注 欢迎使用Markdown编辑器
本文基于face_re… 这里写自定义目录标题 欢迎使用Markdown编辑器一、安装人脸识别库face_recognition1.1 安装cmake1.2 安装dlib库1.3 安装face_recognition 二、3个常用的人脸识别案例2.1 识别并绘制人脸框2.2 提取并绘制人脸关键点2.3 人脸匹配及标注 欢迎使用Markdown编辑器
本文基于face_recognition库实现图像人脸识别下面将介绍如何安装face_recognition库并细述3个常用的人脸识别案例。
一、安装人脸识别库face_recognition
Face_recognition的安装不同于其他package它需要依赖dlib库dlib库的安装又依赖于cmake库所以装face_recognition之前需要先安装前二者整个安装过程还是挺耗费时间精力的。我的python环境是python3.7Anaconda。
1.1 安装cmake
pip install cmake -i https://pypi.tuna.tsinghua.edu.cn/simple/借助清华源的资源安装通常下载速度会比较快且不会中断。
1.2 安装dlib库
dlib-19.17.99-cp37-cp37m-win_amd64.whl 密码 79rt 下载后直接安装该whl文件
pip install dlib-19.17.99-cp37-cp37m-win_amd64.whl直接在线pip install dlib不知为何会报错所以从网站上下载好安装包进行离线安装。
1.3 安装face_recognition
pip install face_recognition -i https://pypi.tuna.tsinghua.edu.cn/simple/二、3个常用的人脸识别案例
本章主要介绍face_recognition下3个常用的人脸识别方法及案例它们所依赖的库函数如下
import os
import face_recognition as fr
from PIL import Image, ImageDraw, ImageFont
import matplotlib.pyplot as plt
import dlib
import numpy as np2.1 识别并绘制人脸框
其中face_locations(img, number_of_times_to_upsample1, model“hog”) 方法为实现该demo的关键该方法用于提取图像img中的人脸特征并返回所有人脸框坐标list。
def draw_face_rect(self):self.img fr.load_image_file(pic) # 读图#1识别人脸框所在坐标faces fr.face_locations(self.img) # 也可使用cnn识别# faces fr.face_locations(self.img, number_of_times_to_upsample0, modelcnn)#2创建展示结果的图像pil_img Image.fromarray(self.img)draw ImageDraw.Draw(pil_img)#3依次绘制人脸框for face in faces:top, right, bottom, left facedraw.rectangle(((left, top), (right, bottom)), outline(0,255,0))del drawplt.imshow(pil_img)plt.axis(off)plt.show()入参img必填输入要求为图像阵列形式numpy array入参number_of_times_to_upsampledefault为1设定上采样检测人脸的次数数值越大越便于检测到更小的人脸入参modeldefault为’hog’选择人脸检测模型。‘hog’即Histogram of Oriented Gradient方向梯度直方图它通过计算和统计图像局部区域的梯度方向直方图来构成特征该方法精度略低但性能更快(仅使用CPU时)也可选用’cnn’ 即卷积神经网络cnn作为深度学习模型具有更高的识别精度当然如果有GPU或CUDA环境加速的话更好返回值人脸框坐标list表示为[face_1, face_2, …face_n]其中每张人脸框包含的元组信息face_i (top, right, bottom, left)即依次是人脸框的上、右、下、左坐标。
注意 图2中还有好些没能识别到的人脸个人感觉有两个原因其一人脸占比太小脸部特征不明显导致无法提取到比如右上角的双胞胎另一脸部肤色、亮度、细节等不符合正常人脸特征导致算法不认为是人脸比如绿巨人和左下角的独眼。
2.2 提取并绘制人脸关键点 检测结果如上其中红点代表face_recognition能提取到的人脸关键点眼、眉、鼻、嘴、面部轮廓实现代码如下
def draw_face_landmarks(self):face_marks fr.face_landmarks(self.img)pil_img Image.fromarray(self.img)draw ImageDraw.Draw(pil_img)for face_mark in face_marks:for key in face_mark.keys():for pt in face_mark[key]:draw.ellipse(((pt[0]-4, pt[1]-4),(pt[0]4, pt[1]4)), outline(255,0,0), width6)del drawplt.imshow(pil_img)plt.axis(off)plt.show()入参img必填输入要求为图像阵列形式numpy array入参face_locationsdefault为None表示可选择性的提供人脸坐标list用于check入参modeldefault为large用于选择large或small模型。其中small模型速度更快但是仅返回5个关键点返回值所有人脸的关键点list。其中每张人脸landmarks为一个字典具体键和值如下
{chin: points[0:17],
left_eyebrow: points[17:22],
right_eyebrow: points[22:27],
nose_bridge: points[27:31],
nose_tip: points[31:36],
left_eye: points[36:42],
right_eye: points[42:48],
top_lip: points[48:55] [points[64]] [points[63]] [points[62]] [points[61]] [points[60]],
bottom_lip: points[54:60] [points[48]] [points[60]] [points[67]] [points[66]] [points[65]] [points[64]]}其中face_landmarks(face_image, face_locationsNone, model“large”)方法为实现该demo的关键该方法用于提取图像img中的人脸特征并返回所有人脸的关键点list.
2.3 人脸匹配及标注 检测结果如上其中绿框代表算法识别到的人脸框底部还标注了每个人物的名称绿巨人一如既往地没识别出来实现代码如下
def match_faces(self):faces fr.face_locations(self.img)face_encodings fr.face_encodings(self.img, faces)self.load_known_faces()pil_img Image.fromarray(self.img)draw ImageDraw.Draw(pil_img)for (top, right, bottom, left), cur_encoding in zip(faces, face_encodings):# matches fr.compare_faces(self.encoding_list, cur_encoding) name unknown# 计算已知人脸和未知人脸特征向量的距离距离越小表示两张人脸为同一个人的可能性越大distances fr.face_distance(self.encoding_list, cur_encoding)match_index np.argmin(distances)if matches[match_index]:name self.name_list[match_index]# 绘制匹配到的人脸信息draw.rectangle(((left, top), (right, bottom)), outline(0, 255, 0))text_width, text_height draw.textsize(name)font ImageFont.truetype(arial.ttf, 20)draw.rectangle(((left, bottom - text_height - 10), (right, bottom)), fill(0, 0, 255), outline(0, 255, 0))draw.text((left 5, bottom - text_height - 10), name, fill(255, 255, 255, 255), fontfont)del drawplt.imshow(pil_img)plt.axis(off)plt.show()其中face_encodings()、compare_faces()、face_distance()三个方法的释义如下: (1) face_encodings()
完整形式为face_encodings(face_image, known_face_locationsNone, num_jitters1, model“small”)用于提取图像face_image中的人脸特征并返回每张人脸的128维人脸编码组成的list 入参face_image必填输入要求为图像阵列形式numpy array 入参known_face_locationsdefault为None表示可选择性的提供人脸坐标list用于check 入参num_jittersdefault为1表示在计算人脸编码时需要重新采样计算的次数。数值越大采样次数越多、结果越精确但是耗时越久 返回值为所有人脸的128维人脸编码组成的list。
(2) compare_faces()
完整形式为compare_faces(known_face_encodings, face_encoding_to_check, tolerance0.6)用于比较待确认的face_encoding与已知的known_face_encodings列表中各元素的匹配程度并返回对应长度的布尔列表 入参known_face_encodings已知的人脸编码列表本文在self.load_known_faces()方法中读取得到 入参face_encoding_to_check待check的人脸编码 入参tolerancedefault为0.6定义两张人脸之间距离数值为多少时可用于表示图像匹配通常数值越小表明匹配越严格0.6为经验最优值 返回值为待确认的face_encoding与已知的人脸编码列表中各元素的match结果列表形式如[False, False, True, False, False]。
(3)face_distance()
完整形式为face_distance(face_encodings, face_to_compare)同compare_faces()用于比较待比较的face_encoding与已知的face_encodings列表中各元素的匹配程度并返回对应长度的数值列表 入参face_encodings已知的人脸编码列表 入参face_to_compare待check的人脸编码 返回值为待确认的face_encoding与已知的人脸编码列表中各元素的match结果列表形式如[0.79155519 0.74486473 0.45825189 0.78371348 0.99910555]各元素值范围为[0,1]。
