Python调用dlib库实现人脸识别 |
您所在的位置：网站首页 › Python人脸检测需要的库 › Python调用dlib库实现人脸识别 |
Python调用dlib库实现人脸识别
|
一 人脸识别基本概念 二 工具和环境安装准备 1. 安装CMake 2. 安装dlib 3. 安装scikit-image 三 人脸识别实践 （人脸识别与比较） 1. 实验准备 2. 识别逻辑简述 3. 具体代码 4. 运行与结果 四 人脸识别实践二 （特征点描绘） 1. face_detector.py 2. face_landmark_detection.py 一 人脸识别基本概念 基本概念先说明下，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。下面要做的是人脸识别。 要实现人脸识别，人脸对齐（face alignment）是基本的算法，目前主要的算法有ERT、SDM、LBF等，其中由于dlib开源库实现了ERT算法，效果不错，这里使用dlib，并通过python来实现。 用Dlib来实现人脸识别，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。这里主要记录实现过程，不分析细节原理。可以到官网查看源码以及实现的参考文献。 具体算法后面有时间要研究下。 另，这篇文章推荐找来看看：浙大一篇毕业论文 一种基于随机森林的实时人脸关键点定位实现.docx 二 工具和环境安装准备 CMake Dlib scikit-image 以上是正确的安装流程。如果先安装Dlib，会报如下错误：（截取最后几行）： 1. 安装CMake 下载链接https://cmake.org/download/ 用的windows机器，直接双击安装，注意：安装完了一定要设置path变量中CMake的路径。 2. DLIB下载安装 （下载链接二解包后有全套说明手册再docs目录，推荐！！！） 下载链接一：https://github.com/davisking/dlib 下载后保存： 或下载链接二：如下
执行 python setup.py install 成功。
3. 安装 scikit-image pip install scikit-image 三 人脸识别实践 1. 实验准备 所有需要的文件及目录如下： 所有文件都可以在以下网址下载：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girls文件夹中。 这里，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。（说明：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。） 六个候选人特征图片放在girls文件夹中，然后需要识别的人脸图片test1.jpg、test2.jpg、test3.jpg、test4.jpg。下面工作就是检测到test*.jpg中的人脸，然后判断她到底是候选人中的谁。girl-face-rec.py是实现人脸识别的python脚本。 六个候选人特征如下： 四个待测试人脸如下： 2. 识别逻辑简述 以上数据准备完毕。识别的大致流程是这样的： 1）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。 2）然后对测试人脸进行人脸检测、关键点提取、描述子生成。 3）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. 具体代码 # -*- 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.items(), key=lambda d:d[1]) print('\n The person is: %s' % ( cd_sorted[0][0] ) ) dlib.hit_enter_to_continue()4. 运行与结果 执行命令：python girl-face-rec.py shape_predictor_68_face_landmarks.dat dlib_face_recognition_resnet_model_v1.dat ./girls test1.jpg 运行结果如下：（识别出test1.jpg 是girls5.jpg ... 前面三个都正确） 四 人脸识别实践二 在官网上下载的包里有python的sample代码，介绍了如何使用dlib进行人脸识别。 下面实践两个： 代码分析如下，具体分析见代码注释： 1. face_detetor.pyface_detetor.py 识别出图片文件中一张或多张人脸，并用矩形框框出标识出人脸； ## face_detetor.py import sys import dlib detector = dlib.get_frontal_face_detector() win = dlib.image_window() for f in sys.argv[1:]: print("Processing file: {}".format(f)) img = dlib.load_rgb_image(f) # The 1 in the second argument indicates that we should upsample the image # 1 time. This will make everything bigger and allow us to detect more # faces. dets = detector(img, 1) print("Number of faces detected: {}".format(len(dets))) for i, d in enumerate(dets): print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format( i, d.left(), d.top(), d.right(), d.bottom())) win.clear_overlay() win.set_image(img) win.add_overlay(dets) dlib.hit_enter_to_continue() # Finally, if you really want to you can ask the detector to tell you the score # for each detection. The score is bigger for more confident detections. # The third argument to run is an optional adjustment to the detection threshold, # where a negative value will return more detections and a positive value fewer. # Also, the idx tells you which of the face sub-detectors matched. This can be # used to broadly identify faces in different orientations. if (len(sys.argv[1:]) > 0): img = dlib.load_rgb_image(sys.argv[1]) dets, scores, idx = detector.run(img, 1, -1) for i, d in enumerate(dets): print("Detection {}, score: {}, face_type:{}".format( d, scores[i], idx[i])) 注释与分析： ## face_detetor_1.py 比原来代码略有改动 import dlib from skimage import io # 使用特征提取器frontal_face_detector detector = dlib.get_frontal_face_detector() # path是图片所在路径 path = "d:\\code\\python\\face\\pic" img = io.imread(path+"1.jpg") # 特征提取器的实例化 dets = detector(img) print("人脸数：", len(dets)) # 输出人脸矩形的四个坐标点 for i, d in enumerate(dets): print("第", i, "个人脸d的坐标：", "left:", d.left(), "right:", d.right(), "top:", d.top(), "bottom:", d.bottom()) # 绘制图片 win = dlib.image_window() # 清除覆盖 #win.clear_overlay() win.set_image(img) # 将生成的矩阵覆盖上 win.add_overlay(dets) # 保持图像 dlib.hit_enter_to_continue()执行与结果： 1）python face_detector.py dlib-19.12\\examples\\faces\\2009_004587.jpg 2 ) python face_detector.py test1.jpg 3） python face_detector.py dlib-19.12\\examples\\faces\\bald_guys.jpg 2. face_landmark_detection.py 在face_detector.py的识别人脸基础上，识别出人脸部的具体特征部位：下巴轮廓、眉毛、眼睛、嘴巴，同样用标记标识出面部特征； import sys import os import dlib import glob if len(sys.argv) != 3: print( "Give the path to the trained shape predictor model as the first " "argument and then the directory containing the facial images.\n" "For example, if you are in the python_examples folder then " "execute this program by running:\n" " ./face_landmark_detection.py shape_predictor_68_face_landmarks.dat ../examples/faces\n" "You can download a trained facial shape predictor from:\n" " http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2") exit() predictor_path = sys.argv[1] faces_folder_path = sys.argv[2] # 图片所在路径 detector = dlib.get_frontal_face_detector() # 使用特征提取器frontal_face_detector predictor = dlib.shape_predictor(predictor_path) # dlib的68点模型 win = dlib.image_window() # 生成dlib的图像窗口 for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")): print("Processing file: {}".format(f)) img = dlib.load_rgb_image(f) win.clear_overlay() win.set_image(img) # Ask the detector to find the bounding boxes of each face. The 1 in the # second argument indicates that we should upsample the image 1 time. This # will make everything bigger and allow us to detect more faces. dets = detector(img, 1) # 特征提取器的实例化 print("Number of faces detected: {}".format(len(dets))) for k, d in enumerate(dets): print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format( k, d.left(), d.top(), d.right(), d.bottom())) # Get the landmarks/parts for the face in box d. shape = predictor(img, d) # 利用预测器预测 print("Part 0: {}, Part 1: {} ...".format(shape.part(0), shape.part(1))) # Draw the face landmarks on the screen. win.add_overlay(shape) # 绘制面部轮廓 win.add_overlay(dets) # 绘制矩阵轮廓 dlib.hit_enter_to_continue() # 保持图像执行与结果： 1）python face_landmark_detection.py shape_predictor_68_face_landmarks.dat . 2）python face_landmark_detection.py shape_predictor_68_face_landmarks.dat girls\\multigirls |
【本文地址】
今日新闻 |
推荐新闻 |