我学习的deepface

文章要求：1：清晰、2：容易理解、3：不含糊其词、4：反复修改

deepface分为4个部分：
1：人脸检测
2：人脸对齐
3：特征提取
4：特征匹配

1：人脸检测，就是给定一张包含人脸的图片，给定的图片很大，但其中的人脸只占一小部分，例如，一个人的上半身的照片，人脸只有一小部分，
目标就是把图中的人脸的那一小部分区域截取出来，如果有多个人脸，那就截取多个人脸区域，如果只有一个人脸，那么返回一个边界框（bounding box，边界框由四个坐标组成：左上角的 x 和 y 坐标，以及右下角的 x 和 y 坐标），如果有多个人脸，那就返回一个列表，列表每个元素表示一个边界框，就像下图中5个红框一样，图中5个人脸，所以检测到5个红框，

通常用MTCNN或者haar-cascade进行人脸检测
这一步骤涉及从图像或视频中检测到人脸区域。deepface 支持多种人脸检测器，包括：
dlib：使用 HOG（Histogram of Oriented Gradients）和深度学习模型进行检测。
OpenCV：基于 Haar 级联分类器进行检测。
MTCNN：Multi-task Cascaded Convolutional Networks，用于人脸检测。
RetinaFace：使用 RetinaFace 模型进行检测。

在这里是人脸检测的代码
import cv2
import dlib

# 加载图像
image_path = 'image.jpg'
image = cv2.imread(image_path)

# 转换为灰度图像，为什么要转为灰度图像，因为这样更有利于人脸检测
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 初始化 dlib 的人脸检测器
detector = dlib.get_frontal_face_detector()

# 执行人脸检测
faces = detector(gray)

# 绘制边界框
for face in faces:
    x, y, w, h = (face.left(), face.top(), face.width(), face.height())
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 显示检测结果
cv2.imshow('Detected Faces', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

2：人脸对齐，就是根据上一步检测到的人脸，通过变换得到一个更加标准化的人脸，这样可以消除人脸变形、倾斜、转头、抬头、光影变化等乱七八糟的不利影响，可以把人脸调整到更标准的姿态，目的是提升面部特征提取的准确性和特征提取的一致性，

（可以粗略的理解为：把不标准的人脸，把各种不利于特征提取的因素去掉，把人脸调整到标准的证件照式的人脸）

原理：从截取到的小块人脸图片中提取68个关键点（136维特征向量），选中三个点（通常是左眼角、右眼角、鼻尖或者嘴角）作为输入，在从预定义的标准姿态的模板图像中也找到这三个关键点作为输出，这样有输入，有输出，计算出仿射矩阵，，然后把小块人脸区域经过这个放射矩阵得到对齐后的人脸，

deepface用2d人脸对齐，没有用3d人脸对齐

PS：我自己测试过一个不标准的人脸，经过对齐后，显示，我发现并没有改善多少，可能有些不利因素的改善用人眼看不出来吧，

在这里插入代码片
import cv2
import dlib
import numpy as np

# 加载图像
image_path = 'path_to_your_image.jpg'
image = cv2.imread(image_path)

# 转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 初始化 dlib 的人脸检测器和关键点检测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')

# 执行人脸检测
faces = detector(gray)

for face in faces:
    # 检测关键点
    landmarks = predictor(gray, face)
    landmarks = np.array([[p.x, p.y] for p in landmarks.parts()])

    # 选择关键点：左眼角、右眼角、鼻尖
    src_points = landmarks[[36, 45, 30]]  # 左眼角、右眼角、鼻尖
    dst_points = np.array([[30, 30], [70, 30], [50, 60]], dtype=np.float32)  # 标准位置

    # 计算仿射变换矩阵
    matrix, _ = cv2.estimateAffine2D(src_points, dst_points)

    # 应用仿射变换
    aligned_face = cv2.warpAffine(image, matrix, (image.shape[1], image.shape[0]))

    # 显示对齐后的图像
    cv2.imshow('Aligned Face', aligned_face)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

3：特征提取
这步就是把对齐后的人脸resize到112 x 112 或者224 x 224的标准尺寸，然后输入到神经网络中区，输出就是一个高维特征向量（ 128 维或 512 维），这步在deepface中都是有下载的模型处理的，

在这里插入代码片
from deepface import DeepFace

# 加载图像
image_path = 'path_to_your_aligned_image.jpg'

# 特征提取
result = DeepFace.represent(img_path=image_path, model_name='VGG-Face')

# 输出特征向量
features = result['embedding']
print(features)

4：特征匹配
这步就是把上一步提取到的特征向量和数据库中图片的特征向量（对数据库中所有的图片也进行之前1,2，3步骤，假设数据库中有100个图片，对应100个特征向量）进行计算，得到100个距离，然后排序，距离最小的就是数据库中和给定图片最相似的图片

在这里插入代码片
from deepface import DeepFace
import numpy as np
from scipy.spatial.distance import cosine

# 提取待识别图像的特征向量
input_image_path = 'path_to_input_image.jpg'
input_features = DeepFace.represent(img_path=input_image_path, model_name='VGG-Face')['embedding']

# 假设有一个数据库中的特征向量列表
database_features = {
    'image1.jpg': DeepFace.represent(img_path='path_to_image1.jpg', model_name='VGG-Face')['embedding'],
    'image2.jpg': DeepFace.represent(img_path='path_to_image2.jpg', model_name='VGG-Face')['embedding'],
    # 其他图像
}

# 计算距离并进行排序
distances = {}
for image, features in database_features.items():
    distance = cosine(input_features, features)  # 计算余弦距离
    distances[image] = distance

# 排序距离
sorted_images = sorted(distances.items(), key=lambda item: item[1])

# 输出最相似的图像
print("最相似的图像：", sorted_images[0])