开箱即用-人脸检测识别Ai

柯柏技术笔记

已于 2023-11-14 11:10:59 修改

阅读量82

点赞数 1

文章标签： python 人工智能深度学习

于 2023-11-13 18:02:42 首次发布

本文链接：https://blog.csdn.net/qq_33228984/article/details/134383270

版权

背景

上一篇文章，小白教程-人脸识别检测，简单实现了人脸的检测识别，但是那只能作为一个demo玩玩，我们的目标是要有向外提供服务的能力，有向外提供服务的能力，才能落地，赋能业务。那我们应该怎么实现呢？

需求分析

基于公司门禁系统，场景分析下，我们的服务应该提供什么样的能力，才能往外提供服务，分析如下：

对目标图片进行识别，图片中是否有人？这人是谁？是我公司的人吗?提供人脸识别接口
对图片识别，我们首先是不是应该建立人脸基础库，有了人脸库，才能对目标图片进行识别。那就需要一个员工人脸录入信息的接口，简称：人脸注册
如果这个员工离职了，那再次回到公司，通过门禁系统，刷脸识别进入公司，那不是存在安全问题。那怎么处理呢？当员工离职了，我就要对应的删除人脸库这个员工的数据。人脸删除接口

通过以上分析，我们至少，要提供三个接口：

技术调研

我们需要把系统做成web应用，通过http协议提供服务，进行调研发现基于python的web框架有下面几种，可以简单了解下

Django

项目地址： https://github.com/django/django

Python 中最流行的 Web 框架，功能非常全面，像安全认证，URL Routing，模板引擎，ORM，甚至 Admin 管理后台，全部包括。

Flask

项目地址： https://github.com/pallets/flask

也是非常流行的一个 Web 框架，它的特定是轻便，灵活，可定制性强。

用户可以根据自己的需求来添加相应的功能，在保持核心功能简单的同时，实现功能的丰富与扩展，其强大的插件库可以让用户实现个性化的网站定制，开发出功能强大的网站。

Bottle

项目地址： https://github.com/bottlepy/bottle

一个简单高效的遵循 WSGI 的微型 Web 框架。说微型，是因为它只有一个文件，除 Python 标准库外，它不依赖于任何第三方模块。

这个框架使用的比较少，不过源码也很少，如果想读源码的话，从它入手倒是一个不错的选择

Tornado

项目地址： https://github.com/tornadoweb/tornado

Tornado 是一个基于 Python 的 Web 服务框架和异步网络库，通过利用非阻塞网络 I/O, 可以承载成千上万的活动连接。在需要长连接的场景下使用，效果会更好。

Sanic

项目地址： https://github.com/sanic-org/sanic

2016 年 5 月发布的第一个版本，整体表现还是不错的，使用的人也越来越多。

Sanic 是 Python3.7+ Web 服务器和 Web 框架，旨在提高性能。它允许使用 Python3.5 中添加的 async/await 语法，可以使代码有效的避免阻塞从而达到提升响应速度的目的。

FastAPI

项目地址： https://github.com/tiangolo/fastapi

FastAPI 是一个用于构建 API 的现代、快速(高性能)的 web 框架，使用 Python 3.6+ 并基于标准的 Python 类型提示。

该框架鼓励使用 Pydantic 和 OpenAPI (以前称为 Swagger) 进行文档编制，使用 Docker 进行快速开发和部署以及基于 Starlette 框架进行的简单测试。

以上框架都能实现web服务，看个人喜欢，我选择flask框架，原因就是比较轻量

环境安装

使用flask，需要安装flask库

# 安装人脸识别包
# 人脸识别库
pip install -U insightface
# 图片处理的库
pip install opencv-python 
# 
pip install numpy==1.23
# ONNX Runtime是一个用于高性能运行和推断深度学习模型的开源引擎
pip install onnxruntime
pip install flask

功能实现

http提供的接口，数据传输协议，统一使用application/json

参数说明

名称	类型	说明
userId	int	用户ID
userName	string	用户姓名
imgData	string	图片数据，base64,使用图片转换

人脸注册

用户输入用户名、用户id、用户人脸图片数据，图片转换为base64传输，图片转base64可以自己写代码实现，也可以使用在线工具转换

代码实现

@app.route('/face/add', methods=['POST'])
def faceRegister():
    # 获取body里面的数据
    personData = request.get_json()
    img = base64_cv2(personData['imgData'])
    # 获取注册图片是否有人脸，返回的结果是个人脸集合，如果图片上有多张脸，就返回多个结果
    faces = model.get(img)
    if len(faces) == 0:
        # 如果图片未识别出人脸，说明图片没有人脸，或者图片质量有问题
        return jsonify({'code': 201, 'msg': '图片未发现人脸，请重新注册'})
    elif len(faces) > 1:
        # 如果图片中有多个人脸对象，那你无法判断应该用哪一个人脸对象，所以，注册的图片，只能有一张脸
        return jsonify({'code': 202, 'msg': '图片中多张人脸，无法判断用哪一张脸'})

    # 获取人脸数据,上面已经做了限制，所以要注册的人脸数据faces[0]就行
    embedding = faces[0].normed_embedding
    # 人脸数据添加到全局人脸列表中
    faces_embedding.append({"userName": personData['userName'], "userId": personData['userId'], "embedding": embedding})
    # 把注册的人脸数据，写入到本地文件
    faceData = open('facedata/face_ai_db', 'wb')
    pickle.dump(faces_embedding, faceData)
    faceData.close()
    return jsonify({'code': 200, 'msg': '注册成功'})

人脸搜索

输入人脸数据，返回对应的人员数据，图片相似度得分、姓名、用户id

代码实现

# 人脸识别
@app.route('/face/search', methods=['POST'])
def faceRecognition():
    # 获取body里面的数据
    personData = request.get_json()
    img = base64_cv2(personData['imgData'])
    # 获取注册图片是否有人脸，返回的结果是个人脸集合，如果图片上有多张脸，就返回多个结果
    faces = model.get(img)
    if len(faces) == 0:
        return jsonify({'code': 201, 'msg': '图片未发现人脸'})
    result = dict()
    for face in faces_embedding:
        score = compute_sim(face['embedding'], faces[0].normed_embedding)
        # 设置阈值是40，大于40分认为是准确识别到人，如果精度要高，修改阈值，比如：90，才算正确
        if score > 40:
            result['userName'] = face['userName']
            result['userId'] = face['userId']
            result['score'] = score
            break
    return jsonify({'code': 200, 'msg': 'success', 'data': result})

人脸删除

当员工离职，通过用户id，删除库里的数据

代码实现

 # 人脸删除
@app.route('/face/del', methods=['POST'])
def delFace():
    # 获取body里面的数据
    personData = request.get_json()
    userId = personData['userId']
    for face in faces_embedding:
        if face['userId'] == userId:
            # 删除加载到内存的人脸数据
            faces_embedding.remove(face)
            break
    faceData = open('./facedata/face_ai_db', 'wb')
    # 人脸数据有修改，重新加载到本地文件，保持最新
    pickle.dump(faces_embedding, faceData)
    faceData.close()
    return jsonify({'code': 200, 'msg': '员工删除成功'})

完成代码实现

import base64
import os
import cv2
import insightface.app
import numpy as np
from flask import Flask, jsonify, request
from pickle4 import pickle
from numpy.linalg import norm

app = Flask("faceai")

# 初始化人脸识别模型
model = insightface.app.FaceAnalysis()
model.prepare(ctx_id=0, det_size=(640, 640))
# 加载本地人脸库数据
faces_embedding = list()


# 人脸注册
@app.route('/face/add', methods=['POST'])
def faceRegister():
    # 获取body里面的数据
    personData = request.get_json()
    img = base64_cv2(personData['imgData'])
    # 获取注册图片是否有人脸，返回的结果是个人脸集合，如果图片上有多张脸，就返回多个结果
    faces = model.get(img)
    if len(faces) == 0:
        # 如果图片未识别出人脸，说明图片没有人脸，或者图片质量有问题
        return jsonify({'code': 201, 'msg': '图片未发现人脸，请重新注册'})
    elif len(faces) > 1:
        # 如果图片中有多个人脸对象，那你无法判断应该用哪一个人脸对象，所以，注册的图片，只能有一张脸
        return jsonify({'code': 202, 'msg': '图片中多张人脸，无法判断用哪一张脸'})

    # 获取人脸数据,上面已经做了限制，所以要注册的人脸数据faces[0]就行
    embedding = faces[0].normed_embedding
    # 人脸数据添加到全局人脸列表中
    faces_embedding.append({"userName": personData['userName'], "userId": personData['userId'], "embedding": embedding})
    # 把注册的人脸数据，写入到本地文件
    faceData = open('facedata/face_ai_db', 'wb')
    pickle.dump(faces_embedding, faceData)
    faceData.close()
    return jsonify({'code': 200, 'msg': '注册成功'})


# 人脸识别
@app.route('/face/search', methods=['POST'])
def faceRecognition():
    # 获取body里面的数据
    personData = request.get_json()
    img = base64_cv2(personData['imgData'])
    # 获取注册图片是否有人脸，返回的结果是个人脸集合，如果图片上有多张脸，就返回多个结果
    faces = model.get(img)
    if len(faces) == 0:
        return jsonify({'code': 201, 'msg': '图片未发现人脸'})
    result = dict()
    for face in faces_embedding:
        score = compute_sim(face['embedding'], faces[0].normed_embedding)
        if score > 40:
            result['userName'] = face['userName']
            result['userId'] = face['userId']
            result['score'] = score
            break
    return jsonify({'code': 200, 'msg': 'success', 'data': result})


# 人脸删除
@app.route('/face/del', methods=['POST'])
def delFace():
    # 获取body里面的数据
    personData = request.get_json()
    userId = personData['userId']
    for face in faces_embedding:
        if face['userId'] == userId:
            faces_embedding.remove(face)
            break
    faceData = open('./facedata/face_ai_db', 'wb')
    pickle.dump(faces_embedding, faceData)
    faceData.close()
    return jsonify({'code': 200, 'msg': '员工删除成功'})


def loadFaceData():
    path = './facedata/face_ai_db'
    # 判断文件是否存在，如果存在直接读取，不存在，就创建一个空文件
    if os.path.exists(path):
        faceData = open(path, 'rb')
        faces_embedding = pickle.load(faceData)
        faceData.close()
        return faces_embedding
    else:
        faceData = open(path, 'wb')
        faces_embedding = list()
        pickle.dump(faces_embedding, faceData)
        faceData.close()
        return faces_embedding


# 余弦相似度算法
def compute_sim(feat1, feat2):
    feat1 = feat1.ravel()
    feat2 = feat2.ravel()
    sim = np.dot(feat1, feat2) / (norm(feat1) * norm(feat2))
    sim = sim * 100
    return int(sim)


# 图片base64转换为numpy数组对象
def base64_cv2(base64_str):
    imgString = base64.b64decode(base64_str)
    nparr = np.frombuffer(imgString, np.uint8)
    image = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
    return image

# 服务启动入口
if __name__ == '__main__':
    # 加载本地人脸数据
    faces_embedding = loadFaceData()
    app.run(port=8888)