滴滴 算法 面试人脸识别实战：使用Opencv，字节跳动Python金三银四解析

这六个变量的含义如下：

• image_path ：输入图像的路径。

• detector_path：OpenCV 深度学习人脸检测器的路径。 使用这个模型来检测人脸 ROI 在图像中的位置。

• embedding_path : OpenCV 深度学习人脸编码模型的路径。 我们将使用这个模型从人脸 ROI 中提取 128 维人脸嵌入——然后将把数据输入到识别器中。

• recognizer_path ：识别器模型的路径。

• label_path : 标签编码器的路径。

• confidence_low：过滤弱人脸检测的可选阈值。

接下来是代码的主体部分：

加载序列化人脸检测器

print(“[INFO] loading face detector…”)

protoPath = os.path.sep.join([detector_path, “deploy.proto.txt”])

modelPath = os.path.sep.join([detector_path,“res10_300x300_ssd_iter_140000_fp16.caffemodel”])

detector = cv2.dnn.readNetFromCaffe(protoPath, modelPath)

加载我们序列化的人脸编码模型

print(“[INFO] loading face recognizer…”)

embedder = cv2.dnn.readNetFromTorch(embedding_path)

加载实际的人脸识别模型和标签编码器

recognizer = pickle.loads(open(recognizer_path, “rb”).read())

le = pickle.loads(open(label_path, “rb”).read())

加载图像，将其调整为宽度为 600 像素（同时保持纵横比），然后抓取图像尺寸

image = cv2.imread(image_path)

image = resize(image, width=600)

(h, w) = image.shape[:2]

从图像构建一个 blob

imageBlob = cv2.dnn.blobFromImage(

cv2.resize(image, (300, 300)), 1.0, (300, 300),

(104.0, 177.0, 123.0), swapRB=False, crop=False)

应用 OpenCV 的基于深度学习的人脸检测器来定位输入图像中的人脸

detector.setInput(imageBlob)

detections = detector.forward()

loop over the detections

for i in range(0, detections.shape[2]):

提取与预测相关的置信度（即概率）

confidence = detections[0, 0, i, 2]

filter out weak detections

if confidence > confidence_low:

计算人脸边界框的 (x, y) 坐标

box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])

(startX, startY, endX, endY) = box.astype(“int”)

提取人脸ROI

face = image[startY:endY, startX:endX]

(fH, fW) = face.shape[:2]

确保人脸宽度和高度足够大

if fW < 20 or fH < 20:

continue

为人脸 ROI 构造一个 blob，然后将 blob 通过我们的人脸嵌入模型来获得人脸的 128-d 量化

faceBlob = cv2.dnn.blobFromImage(face, 1.0 / 255, (96, 96),

(0, 0, 0), swapRB=True, crop=False)

embedder.setInput(faceBlob)

vec = embedder.forward()

执行分类以识别人脸

preds = recognizer.predict_proba(vec)[0]

j = np.argmax(preds)

proba = preds[j]

name = le.classes_[j]

绘制人脸的边界框以及相关的概率

text = “{}: {:.2f}%”.format(name, proba * 100)

y = startY - 10 if startY - 10 > 10 else startY + 10

cv2.rectangle(image, (startX, startY), (endX, endY),

(0, 0, 255), 2)

cv2.putText(image, text, (startX, y),

cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0,