先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新Python全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Python知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip1024c (备注Python)
正文
然后,在分类过程中,我们可以使用一个简单的 k-NN 模型 + 投票来进行最终的人脸分类。 其他传统的机器学习模型也可以在这里使用。 要构建我们的人脸嵌入,
请新建 encode_faces.py:
import the necessary packages
from imutils import paths
import face_recognition
import argparse
import pickle
import cv2
import os
dataset_path=‘dataset’
encodings_path=‘encodings.pickle’
detection_method=‘cnn’
获取数据集中输入图像的路径
print(“[INFO] quantifying faces…”)
imagePaths = list(paths.list_images(dataset_path))
初始化已知编码和已知名称的列表
knownEncodings = []
knownNames = []
遍历图像路径
for (i, imagePath) in enumerate(imagePaths):
从图片路径中提取人名
print(“[INFO] processing image {}/{}”.format(i + 1,
len(imagePaths)))
name = imagePath.split(os.path.sep)[-2]
加载输入图像并从 BGR 转换(OpenCV 排序)
到 dlib 排序(RGB)
image = cv2.imread(imagePath)
rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
检测边界框的 (x, y) 坐标
对应输入图像中的每个人脸
boxes = face_recognition.face_locations(rgb, model=detection_method)
计算人脸的嵌入
encodings = face_recognition.face_encodings(rgb, boxes)
遍历 encodings
for encoding in encodings:
将每个编码 + 名称添加到我们的已知名称集中
编码
knownEncodings.append(encoding)
knownNames.append(name)
导入包,定义全局变量
变量的含义:
-
dataset_path:数据集的路径。
-
encodings_path :我们的人脸编码被写入这个参数指向的文件路径。
-
detection_method :在我们对图像中的人脸进行编码之前,我们首先需要检测它们。 或者两种人脸检测方法包括 hog 或 cnn 。
现在我们已经定义了我们的参数,让我们获取数据集中文件的路径(以及执行两个初始化):
输入数据集目录的路径来构建其中包含的所有图像路径的列表。
在循环之前分别初始化两个列表 knownEncodings 和 knownNames 。 这两个列表将包含数据集中每个人的面部编码和相应的姓名。
这个循环将循环 19次,对应于我们在数据集中的 19张人脸图像。
遍历每个图像的路径。从 imagePath中提取人名。 然后让我们加载图像,同时将 imagePath 传递给 cv2.imread。 OpenCV 使用BGR 颜色通道,但 dlib 实际上期望 RGB。 face_recognition 模块使用 dlib ,交换颜色空间。 接下来,让我们定位人脸并计算编码:
对于循环的每次迭代,我们将检测一张脸,查找/定位了她的面孔,从而生成了面孔框列表。 我们将两个参数传递给 face_recognition.face_locations 方法:
-
rgb :我们的 RGB 图像。
-
model:cnn 或 hog(该值包含在与“detection_method”键关联的命令行参数字典中)。 CNN方法更准确但速度更慢。 HOG 速度更快,但准确度较低。
然后,将面部的边界框转换为 128 个数字的列表。这称为将面部编码为向量,而 face_recognition.face_encodings 方法会处理它。 编码和名称附加到适当的列表(knownEncodings 和 knownNames)。然后,将继续对数据集中的所有 19张图像执行此操作。
dump the facial encodings + names to disk
print(“[INFO] serializing encodings…”)
data = {“encodings”: knownEncodings, “names”: knownNames}
f = open(args[“encodings”], “wb”)
f.write(pickle.dumps(data))
f.close()
构造了一个带有两个键的字典—— “encodings” 和 “names” 。
将名称和编码转储到磁盘以备将来调用。运行encode_faces.py
D:\ProgramData\Anaconda3\python.exe D:/cv/myface/encode_faces.py
[INFO] quantifying faces…
[INFO] processing image 1/19
[INFO] processing image 2/19
[INFO] processing image 3/19
[INFO] processing image 4/19
[INFO] processing image 5/19
[INFO] processing image 6/19
[INFO] processing image 7/19
[INFO] processing image 8/19
[INFO] processing image 9/19
[INFO] processing image 10/19
[INFO] processing image 11/19
[INFO] processing image 12/19
[INFO] processing image 13/19
[INFO] processing image 14/19
[INFO] processing image 15/19
[INFO] processing image 16/19
[INFO] processing image 17/19
[INFO] processing image 18/19
[INFO] processing image 19/19
[INFO] serializing encodings…
Process finished with exit code 0
正如输出中看到的,我们现在有一个名为 encodings.pickle 的文件——该文件包含我们数据集中每个人脸的 128 维人脸嵌入。
===================================================================
现在我们已经为数据集中的每个图像创建了 128 维人脸嵌入,现在我们可以使用 OpenCV、Python 和深度学习来识别图像中的人脸。 打开recognize_faces_image.py 并插入以下代码:
import face_recognition
import pickle
import cv2
encodings_path=‘encodings.pickle’
image_path=‘11.jpg’
detection_method=‘cnn’
load the known faces and embeddings
print(“[INFO] loading encodings…”)
data = pickle.loads(open(encodings_path, “rb”).read())
加载输入图像并将其从 BGR 转换为 RGB
image = cv2.imread(image_path)
rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
检测输入图像中每个人脸对应的边界框的 (x, y) 坐标,然后计算每个人脸的面部嵌入
print(“[INFO] recognizing faces…”)
boxes = face_recognition.face_locations(rgb,model=detection_method)
encodings = face_recognition.face_encodings(rgb, boxes)
初始化检测到的每个人脸的名字列表
names = []
循环面部嵌入
for encoding in encodings:
尝试将输入图像中的每个人脸与我们已知的编码相匹配
matches = face_recognition.compare_faces(data[“encodings”],encoding)
name = “Unknown”
检查是否有匹配的
if True in matches:
找到所有匹配人脸的索引,然后初始化一个字典来计算每个人脸被匹配的总次数
matchedIdxs = [i for (i, b) in enumerate(matches) if b]
counts = {}
遍历匹配的索引并为每个识别出的人脸维护一个计数
for i in matchedIdxs:
name = data[“names”][i]
counts[name] = counts.get(name, 0) + 1
确定获得最多票数的识别人脸(注意:如果出现不太可能的平局,Python 将选择字典中的第一个条目)
name = max(counts, key=counts.get)
更新names
names.append(name)
遍历识别的人脸
for ((top, right, bottom, left), name) in zip(boxes, names):
在图像上绘制预测的人脸名称
cv2.rectangle(image, (left, top), (right, bottom), (0, 255, 0), 2)
y = top - 15 if top - 15 > 15 else top + 15
cv2.putText(image, name, (left, y), cv2.FONT_HERSHEY_SIMPLEX,
0.75, (0, 255, 0), 2)
解析三个参数:
encodings_path:包含我们的面部编码的pickle文件的路径。
image_path:这是正在进行面部识别的图像。
detection-method :你现在应该很熟悉这个了——根据你系统的能力,我们要么使用 hog 方法,要么使用 cnn 方法。 为了速度,选择 hog ,为了准确,选择 cnn 。
然后,让我们加载预先计算的编码 + 人脸名称,然后为输入图像构建 128 维人脸编码。
加载编码和人脸名称。
加载输入图像并将其转换为 rgb 颜色通道排序。
继续检测输入图像中的所有人脸,并计算它们的 128 维编码。
为检测到的每个人脸初始化names列表。
接下来,让我们遍历面部编码:
开始遍历从输入图像计算出的人脸编码。 尝试使用 face_recognition.compare_faces将输入图像(编码)中的每个人脸与我们已知的编码数据集进行匹配。
此函数返回 True / False 值列表,数据集中的每个图像对应一个值。
在内部,compare_faces 函数正在计算候选嵌入与我们数据集中所有人脸之间的欧几里德距离:
-
如果距离低于某个容差(容差越小,我们的面部识别系统就会越严格),那么我们返回 True ,表示面部匹配。
-
否则,如果距离高于容差阈值,我们将返回 False,因为人脸不匹配。
本质上利用 k-NN 模型进行分类。 name 变量最终将保存此人的姓名字符串——现在,我们将其保留为“Unknown”,以防没有“投票”。
计算每个名字的“投票”数,统计投票数,并选择对应票数最多的人的名字。
如果匹配中有任何 True 投票,确定这些 True 值在匹配中的位置的索引。
然后初始化一个名为 counts 的字典,它将以字符名称作为键,将投票数作为值。然后循环匹配的Idxs并设置与每个名称关联的值,同时根据需要在 counts 中增加它。继续并遍历每个人的边界框和标记名称,并将它们绘制在输出图像上以进行可视化:
cv2.imshow(“Image”, image)
cv2.imwrite(“001.jpg”,image)
cv2.waitKey(0)
展示图片
保存图片。
运行recognize_faces_image.py 脚本:
===================================================================
现在我们已经将人脸识别应用于图像,让我们也将人脸识别应用于视频。
新建 identify_faces_video.py 并插入以下代码:
import imutils
import pickle
import time
import cv2
construct the argument parser and parse the arguments
encodings_path=‘encodings.pickle’
output=‘output.mp4’
display_type=0
detection_method=‘cnn’
导入包,然后定义全局变量
output : 输出视频的路径。
display_type :指示脚本在屏幕上显示框架的标志。 值为 1 时显示,值为 0 时不会将输出帧显示到我们的屏幕上。
加载我们的编码并启动我们的 cv2.VideoCapture:
load the known faces and embeddings
print(“[INFO] loading encodings…”)
data = pickle.loads(open(encodings_path, “rb”).read())
初始化视频流和输出视频文件的指针,然后让相机传感器预热
print(“[INFO] starting video stream…”)
#vs = VideoStream(src=0).start()
vs=cv2.VideoCapture(‘1.MP4’)
writer = None
time.sleep(2.0)
loop over frames from the video file stream
while True:
grab the frame from the threaded video stream
ret,frame = vs.read()
if not ret:
print(“Can’t receive frame (stream end?). Exiting …”)
break
将输入帧从 BGR 转换为 RGB,然后将其调整为 750 像素的宽度(以加快处理速度)
rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
rgb = imutils.resize(frame, width=750)
r = frame.shape[1] / float(rgb.shape[1])
检测输入帧中每个人脸对应的边界框的 (x, y) 坐标,然后计算每个人脸的人脸嵌入
boxes = face_recognition.face_locations(rgb,
model=detection_method)
encodings = face_recognition.face_encodings(rgb, boxes)
names = []
循环面部嵌入
for encoding in encodings:
尝试将输入图像中的每个人脸与我们已知的编码相匹配
matches = face_recognition.compare_faces(data[“encodings”],
encoding)
name = “Unknown”
检查我们是否找到了匹配项
if True in matches:
找到所有匹配人脸的索引,然后初始化一个字典来计算每个人脸被匹配的总次数
matchedIdxs = [i for (i, b) in enumerate(matches) if b]
counts = {}
遍历匹配的索引并为每个识别出的人脸维护一个计数
for i in matchedIdxs:
name = data[“names”][i]
counts[name] = counts.get(name, 0) + 1
确定获得最多票数的识别人脸(注意:如果出现不太可能的平局,Python 将选择字典中的第一个条目)
name = max(counts, key=counts.get)
更新names
names.append(name)
遍历识别的人脸
for ((top, right, bottom, left), name) in zip(boxes, names):
重新调整人脸坐标
top = int(top * r)
right = int(right * r)
bottom = int(bottom * r)
left = int(left * r)
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024c (备注python)
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
) + 1
确定获得最多票数的识别人脸(注意:如果出现不太可能的平局,Python 将选择字典中的第一个条目)
name = max(counts, key=counts.get)
更新names
names.append(name)
遍历识别的人脸
for ((top, right, bottom, left), name) in zip(boxes, names):
重新调整人脸坐标
top = int(top * r)
right = int(right * r)
bottom = int(bottom * r)
left = int(left * r)
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024c (备注python)
[外链图片转存中…(img-aK8QVioo-1713450834601)]
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!