【人脸识别（二）】：如何使用 dlib 实现简单的人脸识别功能 |
您所在的位置：网站首页 › 人脸识别插件安装使用手册教程 › 【人脸识别（二）】：如何使用 dlib 实现简单的人脸识别功能 |
【人脸识别（二）】：如何使用 dlib 实现简单的人脸识别功能
|
人脸识别（一）：Ubuntu Python安装dlib C++ library 人脸识别（三）：使用face_recognition库实现人脸识别，python实现 人脸识别（四）：人脸识别理论、原理、分类、概括，请针对性学习所需算法，不要全学。 人脸识别（五）：基于Adaboost的人脸检测算法，及实例教程 目录
前言 检测人脸 检测视频的人脸 检测人脸的阈值设置 实现人脸识别/人脸对比 ROI追踪（感兴趣区域追踪） 图像中多张人脸识别 展望 针对本文的建议 前言dlib是不错的人脸检测、识别的库，检测精度为99.13%。 本文旨在教小白实现人脸检测、人脸识别、感兴趣区域追踪以及在视频中的应用。 本文涉及到的代码、图片、视频都已上传在本文资源中（也可以点击https://download.csdn.net/download/qq_39709813/12345196），供下载学习。受到时间关系的影响，本文没有过多的探索dlib库，希望读者可以在此基础上继续探索、开发。 务必安装requirem.txt文件中的必要库。 文档说明face_images保存多张人多脸的图片，供学习使用 model保存已经下载好的模型数据 people_i_know保存已经认识的人的单张图片 unknow_people保存需要识别的人的图像 video保存检测和识别使用的视频 检测人脸 检测人脸，实现的是使用检测框将图像中的人脸检测出，使用的是dlib与PIL实现，保存在test1.py中。代码和检测结果如下： import dlib from PIL import Image import numpy as py import os file_path = "./people_i_know/huge.jpg" detector = dlib.get_frontal_face_detector() # 加载检测器 win = dlib.image_window() image = py.array(Image.open(file_path)) # 读取图片 detector_face = detector(image, 1) # 检测 1是放大图片 win.clear_overlay() win.set_image(image) # 显示图pain win.add_overlay(detector_face) # 添加检测框 dlib.hit_enter_to_continue()
检测视频中的人脸 在检测人脸的基础上，融合opencv，实现视频中的人脸检测，保存在test2.py中，代码和结果如下： import dlib import cv2 import numpy as np video_capture = cv2.VideoCapture("./video/hamilton_clip.mp4") # video_capture = cv2.VideoCapture(0) detector = dlib.get_frontal_face_detector() win = dlib.image_window() while video_capture.isOpened(): # Grab a single frame of video ret, frame = video_capture.read() # 逐帧读取图片 if not ret: break # Convert the image from BGR color (which OpenCV uses) to RGB color (which face_recognition uses) frame = frame[:, :, ::-1] # BGR格式转成RGB格式 image = np.array(frame) detector_face = detector(image, 1) win.clear_overlay() win.set_image(image) win.add_overlay(detector_face) video_capture.release() cv2.destroyAllWindows()
检测人脸的阈值设置 以上检测人脸使用的都是默认的阈值，在实际练习的时候，可以按照自己的需求阈值。 可以简单的认为检测人脸时，都会有一个得分，当得分高于阈值时，将其输出。 dets, sco, idx = detector.run(image,0,1)为阈值设置部分，dets是检测框，sco是检测到的人脸得分，idx是检测器类型，1即为人为设定的阈值。 通过设置不同的阈值，你会发现检测框会很多，或者没有，或者吧人脸完美框住。 保存在test3.py中，代码和结果如下： import numpy as py from PIL import Image path = "./people_i_know/huge.jpg" detector = dlib.get_frontal_face_detector() win = dlib.image_window() image = py.array(Image.open(path)) dets, sco, idx = detector.run(image,0,1) # 设置阈值 for i, d in enumerate(dets): print('%d：score %f, face_type %f' % (i, sco[i], idx[i])) win.clear_overlay() win.set_image(image) win.add_overlay(dets) dlib.hit_enter_to_continue()
实现人脸识别/人脸对比 识别人脸需要人脸特征向量，通过比对两张脸之间特征向量的距离来判定，需要检测的人是否认识，以及这个人叫什么。 因此，这里引入了shape_predictor_68_face_landmarks.dat与dlib_face_recognition_resnet_model_v1.dat，前者是人脸68点的检测模型，后者是人脸特征向量模型，都是已经训练好的。 这些模型数据都已经放在资源中，也可以自行去官网下载：http://dlib.net/files/ 同时还引入了距离函数，代码中简化为 Eu(a,b)。具体代码保存在test4.py中，代码和结果如下： import dlib from PIL import Image import numpy as np import os detector = dlib.get_frontal_face_detector() path_pre = "./model/shape_predictor_68_face_landmarks.dat" # 68点模型 pre = dlib.shape_predictor(path_pre) path_model = "./model/dlib_face_recognition_resnet_model_v1.dat" # resent模型 model = dlib.face_recognition_model_v1(path_model) path_know = "./people_i_know" # 已知人脸文件夹 path_unknow = "./unknow_people" # 需要检测的人来你文件夹 know_list = {} def Eu(a,b): # 距离函数 return np.linalg.norm(np.array(a) - np.array(b), ord=2) for path in os.listdir(path_know):# 载入已知人的名字和面部特征 img = np.array(Image.open(path_know+"/"+path)) name = path.split('.')[0] det_img = detector(img, 0) shape = pre(img, det_img[0]) know_encode = model.compute_face_descriptor(img, shape) know_list[name] = know_encode match = {} for path in os.listdir(path_unknow):#逐个载入待检测人的面部特征 img = np.array(Image.open(path_unknow+"/"+path)) name = path.split('.')[0] det_img = detector(img, 0) shape = pre(img, det_img[0]) unknow_encode = model.compute_face_descriptor(img, shape) match[name] = "unknow" for key, sco in know_list.items():# 与已知的面部特征匹配 if Eu(unknow_encode, sco) < 0.6: match[name] = key break for key, value in match.items(): print("picture:"+key+' is '+ value)代码设计3个文件夹， model文件夹存放的是上述的两个模型数据 people_i_know文件夹存放的是你事先知道的人，以及他的样子。 unknow_people文件夹存放的是你想识别的人，看这个人是否是你认识的（显示他的名字），或者是你不认识的（显示unknow） 从下图中可以看出，unknow2文件是obama，unknown3文件是biden，unknown4文件是不认识的人。
ROI追踪（感兴趣区域追踪） 感兴趣区域，是一副图像中，我们最关心的地方。感兴趣区域追踪，是指检测框将随着这个物体的移动而随之移动，始终将物体的位置检测出。 下列代码实现的是对视频中感兴趣区域的检测，代码一运行需要人为的使用鼠框选选自己感兴趣的区域，并按下enter确认，过后，检测框将自动追踪物体或者人。 保存在test5.py中，代码和结果如下： import dlib import cv2 video_capture = cv2.VideoCapture("./video/hamilton_clip.mp4") # video_capture = cv2.VideoCapture(0) detector = dlib.correlation_tracker() win = dlib.image_window() i = 0 while video_capture.isOpened(): # Grab a single frame of video ret, frame = video_capture.read() if not ret: break # Convert the image from BGR color (which OpenCV uses) to RGB color (which face_recognition uses) frame = frame[:, :, ::-1] if i == 0:#在第一帧的时候调用鼠标回去检测框的位置 cv2.namedWindow('image',flags=cv2.WINDOW_NORMAL) cv2.imshow('image',frame) rect = cv2.selectROI('image', frame, showCrosshair=False, fromCenter=False) cv2.destroyAllWindows() detector.start_track(frame, dlib.rectangle(rect[0],rect[1],rect[0]+rect[2],rect[1]+rect[3])) i=i+1 else:# 继续追踪内容 detector.update(frame) win.clear_overlay() win.set_image(frame) win.add_overlay(detector.get_position()) video_capture.release() cv2.destroyAllWindows()下图蓝色框是人为使用鼠标框选的位置。
下图红色框是自动追踪的位置。由于视频中的摄像机经常切换位置，因此检测结果不是很理想。 可以知道：当场景的角度位置变化不大的时候，检测结果较理想；当场景切换过大，可能会出现误检测的现象。
图像中多张人脸识别 现实生活中，一张图往往有许多的人脸。下列代码重点就是将一幅图中认识的人脸识别出来，对不认识的人不检测。 检测使用的是dlib，绘图部分使用的是opencv。保存在test6.py中，代码和结果如下： import dlib from PIL import Image import numpy as np import os import cv2 from imutils import face_utils detector = dlib.get_frontal_face_detector() path_pre = "./model/shape_predictor_68_face_landmarks.dat" pre = dlib.shape_predictor(path_pre) path_model = "./model/dlib_face_recognition_resnet_model_v1.dat" model = dlib.face_recognition_model_v1(path_model) path_know = "./people_i_know" path_unknow = "./face_images/bald_guys.jpg" know_list = {} def Eu(a,b): return np.linalg.norm(np.array(a) - np.array(b), ord=2) for path in os.listdir(path_know):# 建立已知人脸的字典库 img = np.array(Image.open(path_know+"/"+path)) name = path.split('.')[0] det_img = detector(img, 0) shape = pre(img, det_img[0]) know_encode = model.compute_face_descriptor(img, shape) know_list[name] = know_encode frame = cv2.imread(path_unknow) #frame = frame[:, :, ::-1] img = np.array(frame) det_img = detector(img, 0)#得到检测框 for rect in enumerate(det_img): shape = pre(img, rect[1]) (x,y,w,h) = face_utils.rect_to_bb(rect[1])#rect由tuple转成bb unknow_encode = model.compute_face_descriptor(img, shape) for key, sco in know_list.items(): if Eu(unknow_encode, sco) < 0.6: cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 255), 3)# 绘制检测框 cv2.putText(img, key, (x, y+h), cv2.FONT_HERSHEY_SIMPLEX, 0.5,(255,0,0), 2)#绘制检测后的姓名 break cv2.namedWindow('image', cv2.WINDOW_NORMAL) cv2.imshow('output',img) cv2.waitKey(0)检测的图像中包含许多张人脸，已经检测书的人：杰森斯坦森（joson）和强森（johnson）。从结果中，可以看到也有漏检测和检测错误的情况，原因在于，people_i_know文件夹下的joson和johnson是最新美化过的图像。
展望 目前，本文就实现这些功能，还有更多的功能可以实现，需要你自己慢慢探索。例如，结合opencv实现视频中多张人脸的识别和标注、提升机器运行速度等。 针对本文的建议 首先是按照要求安装必要的包； 其次是people_i_know文件夹里放置高清端正的图像； 所有的图片使用.jpg格式
下一篇将使用face_recognition库实现人脸检测、比对、识别以及拓展： 人脸识别（三）：使用face_recognition库实现人脸识别，python实现 |
【本文地址】
今日新闻 |
推荐新闻 |