媒体大数据实例分析（人脸识别）入门：使用opencv、FR以及人脸特征点技术（基于python）

最新推荐文章于 2023-08-04 11:43:03 发布

KoKona_

最新推荐文章于 2023-08-04 11:43:03 发布

阅读量1.2k

点赞数 2

文章标签：人脸识别 python opencv 人工智能

本文链接：https://blog.csdn.net/m0_50983619/article/details/117300894

版权

本篇博客作为入门篇，介绍人脸识别及集中建议的人脸识别算法。

2、使用FR（face_recognition)

一、人脸识别是什么

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

二、人脸检测的两种模式

1.人脸区域检测

人脸区域检测，仅仅是将可能产生的人脸范围，用几何图形标识出来。

例如：

2.人脸特征点检测

有5点、51点、68点三种特征点数量检测。

例如：

三、简单的例子

1、仅使用opencv

准备工具：安装opencv-python

pip install opencv-python

需要包：

'Python路径下/Lib/site-packages/

cv2/data/haarcascade_frontalface_default.xml'

haarcascade_frontalface_default.xml的功能：识别人脸（frontalface：额面）

在后续有截图中可以看到opencv-python其实提供了很多的不同检测。

例如这篇文章中讲到了笑脸和人脸的同时检测（其实运用到了另外一个smile.xml）

CV：利用cv2自带两步法haarcascade_frontalface_default.xml、_smile.xml实现对人脸、笑脸同时检测

代码如下：

import cv2

def detect(filename):
    face_cascade = cv2.CascadeClassifier(r'C:\Users\Bryce gu\PycharmProjects\pythonProject1\venv\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml')

    img = cv2.imread(filename)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    faces = face_cascade.detectMultiScale(gray, 1.3, 5)

    for (x, y, w, h) in faces:
        img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)


    cv2.imshow('Person Detected!', img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


if __name__ == '__main__':
    detect(r'C:\Users\Bryce gu\Desktop\test.jpg')

看到opencv的结果截图：

2、使用FR（face_recognition)

请读者注意，在这一段中，默认已经安装相应最新版本的opencv和python。

准备工具：dlib和face_recognition

pip install dlib

pip install face_recognition

请读者注意，如果在pip install上述的dlib和face_recognition时出现了问题，也许是某些相关依赖尚未安装，可以自己根据报错内容安装相应依赖。

笔者在安装时遇到了cmake没有安装的情况。

使用pip install cmake即可。

详细内容可以参照其他文档：

安装dlib时可能发生的错误

代码如下：


import face_recognition
import cv2

image = face_recognition.load_image_file(r"C:\Users\Bryce gu\Desktop\test.jpg")
face_locations_noCNN=face_recognition.face_locations(image)
# A list of tuples of found face locations in css (top, right, bottom, left) order
# 因为返回值的顺序是这样子的，因此在后面的for循环里面赋值要注意按这个顺序来



print("face_location_noCNN:")
print(face_locations_noCNN)
face_num2=len(face_locations_noCNN)
print(face_num2)       # The number of faces
# 到这里为止，可以观察两种情况的坐标和人脸数，一般来说，坐标会不一样，但是检测出来的人脸数应该是一样的
# 也就是说face_num1　＝　face_num２；　face_locations_useCNN　和　face_locations_noCNN　不一样


org = cv2.imread(r"C:\Users\Bryce gu\Desktop\test.jpg")
img = cv2.imread(r"C:\Users\Bryce gu\Desktop\test.jpg")
cv2.imshow(r"C:\Users\Bryce gu\Desktop\test.jpg",img)  # 原始图片




for i in range(0,face_num2):
    top = face_locations_noCNN[i][0]
    right = face_locations_noCNN[i][1]
    bottom = face_locations_noCNN[i][2]
    left = face_locations_noCNN[i][3]

    start = (left, top)
    end = (right, bottom)

    color = (0,255,255)
    thickness = 2
    cv2.rectangle(org, start, end, color, thickness)

cv2.imshow("no cnn ",org)

cv2.waitKey(0)
cv2.destroyAllWindows()



# # use CNN
# face_locations_useCNN = face_recognition.face_locations(image,model='cnn')
# model – Which face detection model to use. “hog” is less accurate but faster on CPUs.
# “cnn” is a more accurate deep-learning model which is GPU/CUDA accelerated (if available). The default is “hog”.

# print("face_location_useCNN:")
# print(face_locations_useCNN)
# face_num1=len(face_locations_useCNN)
# print(face_num1)       # The number of faces


# for i in range(0,face_num1):
#     top = face_locations_useCNN[i][0]
#     right = face_locations_useCNN[i][1]
#     bottom = face_locations_useCNN[i][2]
#     left = face_locations_useCNN[i][3]
#
#     start = (left, top)
#     end = (right, bottom)
#
#     color = (0,255,255)
#     thickness = 2
#     cv2.rectangle(img, start, end, color, thickness)    # opencv 里面画矩形的函数

# # Show the result
# cv2.imshow("useCNN",img)

看到使用FR技术的运行结果如下：

3、使用人脸特征点技术

Dlib有专门的函数和模型，能够实现人脸68个特征点的定位。

找到特征点后，就可以通过图像的几何变换（仿射、旋转、缩放），使各个特征点对齐（将眼睛、嘴等部位移到相同位置）。

准备工具：下载包shape_predictor_68_face_landmarks.dat

如果需要该下载包，可以留言，私信我。

代码如下：

#coding=utf-8

import cv2
import dlib

path = r"C:\Users\Bryce gu\Desktop\test.jpg"
img = cv2.imread(path)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#人脸分类器
detector = dlib.get_frontal_face_detector()
# 获取人脸检测器
predictor = dlib.shape_predictor(r"C:\Users\Bryce gu\PycharmProjects\pythonProject1\venv\Lib\site-packages\shape_predictor_68_face_landmarks.dat")
dets = detector(gray, 1)
for face in dets:
    shape = predictor(img, face)  # 寻找人脸的68个标定点
    # 遍历所有点，打印出其坐标，并圈出来
    for pt in shape.parts():
        pt_pos = (pt.x, pt.y)
        cv2.circle(img, pt_pos, 2, (0, 255, 0), 1)
    cv2.imshow("image", img)

cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下：

四、后续

1、opencv、FR的比较

GitHub项目：face_recognition

该项目目前star数超过3万，是GitHub上最主流的人脸识别工具包之一。

Face_recognition主要参考了OpenFace项目以及谷歌的facenet。

•世界上最简洁的人脸识别库，可以使用Python和命令行工具提取、识别、操作人脸。

•本项目的人脸识别是基于业内领先的C++开源库dlib中的深度学习模型，用Labeled Faces in the Wild人脸数据集进行测试，有高达99.38%的准确率。但对小孩和亚洲人脸的识别准确率尚待提升。

opencv对于侧脸可能并不能有很高的检测效率！

但是opencv提供了多种可以检测的模板

这包括我们刚才使用过的haarcascade_frontalface_default.xml，是检测正脸的默认xml。感兴趣的读者可以使用opencv的其他功能，例如检测眼睛的haarcascade_eye.xml等。

2、对齐及特征向量提取

根据上一步检测到的特征点，进行平移旋转等操作，将人脸位于正面，便于机器识别。

每个人脸识别系统都有自己的人脸数据库，该数据库包含人脸特征向量和对应的信息。

于是可以以此来进行人脸匹配。

这也同时运用在视频的人脸智能匹配中，相信很多人在生活中也用过这个功能。

其他供参考的资料

基于Opencv快速实现人脸识别（完整版）

KoKona_

关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
1
评论
媒体大数据实例分析（人脸识别）入门：使用opencv、FR以及人脸特征点技术（基于python）

本篇博客作为入门篇，介绍人脸识别及集中建议的人脸识别算法。目录一、人脸识别是什么二、人脸检测的两种模式1.人脸区域检测2.人脸特征点检测三、简单的例子1、仅使用opencv2、使用FR（face_recognition)3、使用人脸特征点技术四、后续1、opencv、FR的比较2、对齐及特征向量提取其他供参考的资料一、人脸识别是什么人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自..
复制链接

扫一扫