快捷導(dǎo)航

教你如何用Python實(shí)現(xiàn)人臉識(shí)別（含源代碼）

更新時(shí)間：2021年06月22日 17:14:25 作者：python588

Python可以從圖像或視頻中檢測(cè)和識(shí)別你的臉.人臉檢測(cè)與識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一.人臉識(shí)別的應(yīng)用包括人臉解鎖、安全防護(hù)等,醫(yī)生和醫(yī)務(wù)人員利用人臉識(shí)別來(lái)獲取病歷和病史,更好地診斷疾病,需要的朋友可以參考下

工具與圖書館

Python-3.x
CV2-4.5.2
矮胖-1.20.3
人臉識(shí)別-1.3.0

若要安裝上述軟件包，請(qǐng)使用以下命令。

pip install numpy opencv-python

要安裝FaceRecognition，首先安裝dlib包。

pip install dlib

現(xiàn)在，使用以下命令安裝面部識(shí)別模塊

pip install face_recognition

下載人臉識(shí)別Python代碼

請(qǐng)下載python面部識(shí)別項(xiàng)目的源代碼： 人臉識(shí)別工程代碼

項(xiàng)目數(shù)據(jù)集

我們可以使用我們自己的數(shù)據(jù)集來(lái)完成這個(gè)人臉識(shí)別項(xiàng)目。對(duì)于這個(gè)項(xiàng)目，讓我們以受歡迎的美國(guó)網(wǎng)絡(luò)系列“老友記”為數(shù)據(jù)集。該數(shù)據(jù)集包含在面部識(shí)別項(xiàng)目代碼中，您在上一節(jié)中下載了該代碼。

建立人臉識(shí)別模型的步驟

在繼續(xù)之前，讓我們知道什么是人臉識(shí)別和檢測(cè)。

人臉識(shí)別是從照片和視頻幀中識(shí)別或驗(yàn)證一個(gè)人的臉的過(guò)程。

人臉檢測(cè)是指在圖像中定位和提取人臉(位置和大小)以供人臉檢測(cè)算法使用的過(guò)程。

人臉識(shí)別方法用于定位圖像中唯一指定的特征。在大多數(shù)情況下，面部圖片已經(jīng)被移除、裁剪、縮放和轉(zhuǎn)換為灰度。人臉識(shí)別包括三個(gè)步驟：人臉檢測(cè)、特征提取、人臉識(shí)別。

OpenCV是一個(gè)用C++編寫的開(kāi)源庫(kù).它包含了用于計(jì)算機(jī)視覺(jué)任務(wù)的各種算法和深度神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)。

1.準(zhǔn)備數(shù)據(jù)集

創(chuàng)建2個(gè)目錄，訓(xùn)練和測(cè)試。從互聯(lián)網(wǎng)上為每個(gè)演員選擇一個(gè)圖片，并下載到我們的“火車”目錄中。確保您所選擇的圖像能夠很好地顯示人臉的特征，以便對(duì)分類器進(jìn)行分類。

為了測(cè)試模型，讓我們拍攝一張包含所有強(qiáng)制轉(zhuǎn)換的圖片，并將其放到我們的“test”目錄中。

為了您的舒適，我們?cè)黾恿伺嘤?xùn)和測(cè)試數(shù)據(jù)與項(xiàng)目代碼。

2.模型的訓(xùn)練

首先導(dǎo)入必要的模塊。

import face_recognition as fr
import cv2
 
import numpy as np
import os

人臉識(shí)別庫(kù)包含幫助人臉識(shí)別過(guò)程的各種實(shí)用程序的實(shí)現(xiàn)。

現(xiàn)在，創(chuàng)建2個(gè)列表來(lái)存儲(chǔ)圖像(人員)的名稱及其各自的臉編碼。

path = "./train/"
 
known_names = []
known_name_encodings = []
 
images = os.listdir(path)

人臉編碼是一種值的矢量，它代表著臉部特征之間的重要度量，如眼睛之間的距離、額頭的寬度等。

我們循環(huán)遍歷火車目錄中的每個(gè)圖像，提取圖像中的人的姓名，計(jì)算其臉編碼向量，并將信息存儲(chǔ)在相應(yīng)的列表中。

for _ in images:
image = fr.load_image_file(path + _)
image_path = path + _
encoding = fr.face_encodings(image)[0]
 
known_name_encodings.append(encoding)
known_names.append(os.path.splitext(os.path.basename(image_path))[0].capitalize())

3.在測(cè)試數(shù)據(jù)集中測(cè)試模型

如前所述，我們的測(cè)試數(shù)據(jù)集只包含一個(gè)包含所有人員的圖像。

使用CV2 imread()方法讀取測(cè)試映像。

test_image = "./test/test.jpg"
 
image = cv2.imread(test_image)

人臉識(shí)別庫(kù)提供了一種名為Face_Locations()的有用方法，它定位圖像中檢測(cè)到的每個(gè)人臉的坐標(biāo)(左、下、右、上)。使用這些位置值，我們可以很容易地找到臉編碼。

face_locations = fr.face_locations(image)
 
face_encodings = fr.face_encodings(image, face_locations)

我們循環(huán)遍歷每個(gè)面部位置及其在圖像中的編碼。然后，我們將這種編碼與“列車”數(shù)據(jù)集中的人臉編碼進(jìn)行比較。

然后計(jì)算人臉距離，即計(jì)算測(cè)試圖像編碼和訓(xùn)練圖像編碼之間的相似性?，F(xiàn)在，我們從它選取最小值距離，表示測(cè)試圖像的這張臉是訓(xùn)練數(shù)據(jù)集中的人之一。

現(xiàn)在，使用CV2模塊中的方法繪制一個(gè)帶有面部位置坐標(biāo)的矩形。

for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
   matches = fr.compare_faces(known_name_encodings, face_encoding)
   name = ""
 
   face_distances = fr.face_distance(known_name_encodings, face_encoding)
   best_match = np.argmin(face_distances)
 
   if matches[best_match]:
       name = known_names[best_match]
 
   cv2.rectangle(image, (left, top), (right, bottom), (0, 0, 255), 2)
   cv2.rectangle(image, (left, bottom - 15), (right, bottom), (0, 0, 255), cv2.FILLED)
 
   font = cv2.FONT_HERSHEY_DUPLEX
   cv2.putText(image, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)

使用CV2模塊的imShow()方法顯示圖像。