以下是一个简单的人脸识别代码示例,使用OpenCV和Dlib库来实现:
import cv2
import dlib
# 加载人脸识别模型
detector = dlib.get_frontal_face_detector()
# 加载人脸关键点检测模型
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")
# 加载人脸识别模型
face_recognizer = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")
# 加载待比对人脸图像
image_to_compare = cv2.imread("image.jpg")
# 检测人脸
faces = detector(image_to_compare)
# 遍历检测到的人脸
for face in faces:
# 获取人脸关键点
landmarks = predictor(image_to_compare, face)
# 生成人脸特征向量
face_descriptor = face_recognizer.compute_face_descriptor(image_to_compare, landmarks)
# 将特征向量转换为numpy数组
face_descriptor_array = []
for i in range(len(face_descriptor)):
face_descriptor_array.append(face_descriptor[i])
# 对比人脸特征向量,判断是否为同一个人
# 这里可以与已知人脸库中的特征进行比对,或使用其他判别算法
# 若特征向量之间的距离小于某个阈值,则判断为同一个人
# 也可以计算欧氏距离或余弦相似度等来衡量相似度
# 这里只是一个简单的示例
if distance(face_descriptor_array, known_face_descriptor_array) < 0.6:
print("是同一个人")
else:
print("不是同一个人")
在这个示例中,首先加载了人脸识别模型、人脸关键点检测模型和人脸识别模型。然后加载待比对人脸图像,使用人脸检测器检测人脸,并使用人脸关键点检测器获取人脸关键点。接下来,将人脸特征向量计算为128维的向量。最后,通过比对待比对人脸图像的特征向量与已知人脸库中的特征向量,判断是否为同一个人。这里只是一个简单的示例,实际应用中可能需要更复杂的算法和流程。