看到腾讯云社区的一篇文章,突然挺感兴趣的,小菜鸟就趁热打铁试试呗,当然代码来自大佬,我只是代码的搬运工。
一切来源于:https://cloud.tencent.com/developer/article/1004781
1、环境的配置
- 系统Ubuntu 16.04
- anaconda2 (关于anaconda在linux中的应用我会写一下简单命令的总结)
- python27
- dlib(安装只需要在python27环境下执行命令:pip install dlib,有问题按提示就行)
- scikit-image(pip install scikit-image, 因为安装时出现太多依赖未安装,图省事我就直接conda install scikit-image,利用conda安装会将需要的依赖也一起安装) **如果有必要,建议仔细去看一下conda的使用以及conda与pip的区别。
- IDE:pycharm
到这里,我觉得有必要了解一下关于dilb以及scikit-image
- dilb: Dlib是一个现代化的C ++工具箱,其中包含用于在C ++中创建复杂软件以解决实际问题的机器学习算法和工具。是C++中的一个标准库,当然这个库也可以自己在GitHub上下载之后编译(https://github.com/davisking/dlib),具体的使用以及介绍可以查阅这个网站:http://dlib.net/ 我粗略看了一下,有很多的算法,也可以找到很多例子,非常棒,有时间好好看。
- scikit-image: 图像处理SciKit。用于SciPy的图像处理算法,包括IO,形态学,滤波,变形,颜色处理,物体检测等。scikit-image是一个专门用于图像处理的Python软件包,并使用本地NumPy数组作为图像对象。
【
概念及使用:http://www.scipy-lectures.org/packages/scikit-image/index.html(ps:本文需要全局模式的翻墙)
官方文档:http://scikit-image.org/docs/stable/user_guide.html
博客(scikit-image 图像处理):https://blog.csdn.net/u011532367/article/details/51012975
】
2、代码实现
我自己把代码全程手动码了一遍,看了一遍代码内容,后来运行的时候复制了教程上的,怕自己犯低级的打字错误,但是复制的代码也是存在错误的,一路摸索,翻源码,改格式,哎呀妈呀,终于成功运行了。把我改过的源码贴出来,如下:
# -*- coding: utf-8 -*-
import sys, os, dlib, glob, numpy
from skimage import io
if len(sys.argv) != 5:
print "请检查参数是否正确"
exit()
# 1.人脸关键点检测器
predictor_path = sys.argv[1]
# 2.人脸识别模型
face_rec_model_path = sys.argv[2]
# 3.候选人脸文件夹
faces_folder_path = sys.argv[3]
# 4.需识别的人脸
img_path = sys.argv[4]
# 1.加载正脸检测器
detector = dlib.get_frontal_face_detector()
# 2.加载人脸关键点检测器
sp = dlib.shape_predictor(predictor_path)
# 3. 加载人脸识别模型
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
# win = dlib.image_window()
# 候选人脸描述子list
descriptors = []
# 对文件夹下的每一个人脸进行:
# 1.人脸检测
# 2.关键点检测
# 3.描述子提取
for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):
print("Processing file: {}".format(f))
img = io.imread(f)
# win.clear_overlay()
# win.set_image(img)
# 1.人脸检测
dets = detector(img, 1)
print("Number of faces detected: {}".format(len(dets)))
for k, d in enumerate(dets):
# 2.关键点检测
shape = sp(img, d)
# 画出人脸区域和和关键点
# win.clear_overlay()
# win.add_overlay(d)
# win.add_overlay(shape)
# 3.描述子提取,128D向量
face_descriptor = facerec.compute_face_descriptor(img, shape)
# 转换为numpy array
v = numpy.array(face_descriptor)
descriptors.append(v)
# 对需识别人脸进行同样处理
# 提取描述子,不再注释
img = io.imread(img_path)
dets = detector(img, 1)
dist = []
for k, d in enumerate(dets):
shape = sp(img, d)
face_descriptor = facerec.compute_face_descriptor(img, shape)
d_test = numpy.array(face_descriptor)
# 计算欧式距离
for i in descriptors:
dist_ = numpy.linalg.norm(i-d_test)
dist.append(dist_)
# 候选人名单
candidate = ['liushishi', 'liuyifei', 'usper', 'yangmi']
# 候选人和距离组成一个dict
c_d = dict(zip(candidate, dist))
cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1])
print "\n The person is: ", cd_sorted[0][0]
dlib.hit_enter_to_continue()
这个应该是没有错的了,我自己已经运行过了的。结果如下:
正确率方面仍需探索,这只是初步的结果。