关于
本项目基于python,用到了opencv、dlib等开发包,实现了单张训练样本的人脸识别,有较为友好的UI界面,识别速度经优化后尚可。
实现上思路与这篇博客一致,解决了这篇博客中存在的几个问题:
- 每次识别都需要把每个人的人脸样本的特征向量计算一遍,人脸库小的时候看不出差距,但人脸库很大时就显得非常不方便(实测的时候用的400人的人脸库,提取特征就要耗费1分多钟)。
- 用dlib中的方法进行人脸检测的时候速度很慢。
- 没有友好的UI界面。
基于以上问题,采取的解决方案如下:
- 把人脸识别过程分为两阶段:1、提取人脸特征 2、人脸检测+计算欧氏距离;两个阶段分别单独执行,即可加快人脸识别时候的速度。
- 换人脸检测的方法,用opencv中自带的人脸检测器进行人脸检测。
- 用pyqt5绘制界面。
准备工作
工程目录结构
- E:\
- candidate_face
- liuyifei.jpg
- tangyan.jpg
- yangmi.jpg
- yangzi.jpg
- zhoudongyu.jpg
- pyproject
- shape_predictor_68_face_landmarks.dat
- dlib_face_recognition_resnet_model_v1.dat
- lbpcascade_frontalface_improved.xml(用于人脸检测,在opencv目录opencv-3.3.1-py36h20b85fd_1\Library\etc\lbpcascades下)
- FaceRecognition.py
- main.py
- test.jpg
- candidate_face
人脸识别过程
首先运行FaceRecognition.py,会经历:读取人脸集、人脸检测、提取人脸特征向量、存储人脸特征向量、对单张测试人脸图进行识别、打印识别结果 的过程。
然后运行main.py,会经历:初始化界面、加载各种参数模型、手动选择单张人脸测试图、基于opencv人脸检测器检测人脸、提取该人脸特征向量、计算欧氏距离、找出距离最小的人脸标签、输出人脸识别结果 这么几个过程。
识别结果
闲话
这个项目目前bug多多,准确率也还有很大提高空间,欢迎各位多多交流,这个项目的更多详情请见这里,如果对你也有所帮助,请轻轻点个star(别太重了,怕疼(⊙o⊙)…)。
源码怎会少
- FaceRecognition.py
import os,dlib,numpy,cv2
predictor_path = 'shape_predictor_68_face_landmarks.dat'
face_rc_model_path = 'dlib_face_recognition_resnet_model_v1.dat'
face_folder_path = 'E:\candidate_face'
test_img_path = 'E:\\test.jpg'
# 读取人脸集、人脸标签
def read_data(path):
try:
pic_name_list = os.listdir(path)
pic_list = []
for i in pic_name_list:
whole_path = os.path.join(path, i)
img = cv2.imread(whole_path)
pic_list.append(img)
except IOError:
print('read error')
return False
else:
print('read successfully')
return pic_name_list, pic_list
# 人脸检测器
detector = dlib.get_frontal_face_detector()
# 关键点检测器
feature_point = dlib.shape_predictor(predictor_path)
# 人脸参数模型
feature_model = dlib.face_recognition_model_v1(face_rc_model_path)
# 候选人特征向量列表
descriptors = []
if __name__ == '__main__':
name_list, pic_list = read_data(face_folder_path)
num = 1
for i in pic_list:
# 人脸检测
dets = detector(i, 1)
for k, d in enumerate(dets):
# 关键点检测
shape = feature_point(i, d)
# 提取特征,128维
face_feature = feature_mode