python人脸_Python 使用 face_recognition 人脸识别

Python 使用 face_recognition 人脸识别

人脸识别

face_recognition 是世界上最简单的人脸识别库。

使用 dlib 最先进的人脸识别功能构建建立深度学习，该模型准确率在99.38%。

Python模块的使用

Python可以安装导入 face_recognition 模块轻松操作，对于简单的几行代码来讲，再简单不过了。

自动查找图片中的所有面部

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")

face_locations = face_recognition.face_locations(image)

# face_locations is now an array listing the co-ordinates of each face!

还可以选择更准确的给予深度学习的人脸检测模型

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")

face_locations = face_recognition.face_locations(image, model="cnn")

# face_locations is now an array listing the co-ordinates of each face!

自动定位图像中人物的面部特征

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")

face_landmarks_list = face_recognition.face_landmarks(image)

# face_landmarks_list is now an array with the locations of each facial feature in each face.

# face_landmarks_list[0][‘left_eye‘] would be the location and outline of the first person‘s left eye.

识别图像中的面部并识别它们是谁

import face_recognition

picture_of_me = face_recognition.load_image_file("me.jpg")

my_face_encoding = face_recognition.face_encodings(picture_of_me)[0]

# my_face_encoding now contains a universal ‘encoding‘ of my facial features that can be compared to any other picture of a face!

unknown_picture = face_recognition.load_image_file("unknown.jpg")

unknown_face_encoding = face_recognition.face_encodings(unknown_picture)[0]

# Now we can see the two face encodings are of the same person with `compare_faces`!

results = face_recognition.compare_faces([my_face_encoding], unknown_face_encoding)

if results[0] == True:

print("It‘s a picture of me!")

else:

print("It‘s not a picture of me!")

face_recognition 用法

要在项目中使用面部识别，首先导入面部识别库，没有则安装：

import face_recognition

基本思路是首先加載圖片：

# 导入人脸识别库

import face_recognition

# 加载图片

image = face_recognition.load_image_file("1.jpg")

上面这一步会将图像加载到 numpy 数组中，如果已经有一个 numpy 数组图像则可以跳过此步骤。

然后对图片进行操作，例如找出面部、识别面部特征、查找面部编码：

例如对此照片进行操作

# 导入人脸识别库

import face_recognition

# 加载图片

image = face_recognition.load_image_file("1.jpg")

# 查找面部

face_locations = face_recognition.face_locations(image)

# 查找面部特征

face_landmarks_list = face_recognition.face_landmarks(image)

# 查找面部编码

list_of_face_encodings = face_recognition.face_encodings(image)

# 打印输出

print(face_locations)

print(face_landmarks_list)

print(list_of_face_encodings)

/usr/bin/python3.6 /home/wjw/PycharmProjects/face_study/face0112/find_face.py

[(297, 759, 759, 297)]

[{‘chin‘: [(280, 439), (282, 493), (283, 547), (290, 603), (308, 654), (340, 698), (380, 733), (427, 760), (485, 770), (544, 766), (592, 738), (634, 704), (668, 661), (689, 613), (701, 563), (712, 514), (722, 466)], ‘left_eyebrow‘: [(327, 373), (354, 340), (395, 323), (442, 324), (487, 337)], ‘right_eyebrow‘: [(560, 344), (603, 340), (647, 348), (682, 372), (698, 410)], ‘nose_bridge‘: [(519, 410), (517, 444), (515, 477), (513, 512)], ‘nose_tip‘: [(461, 548), (485, 554), (508, 561), (532, 558), (555, 556)], ‘left_eye‘: [(372, 424), (399, 420), (426, 420), (451, 429), (424, 433), (397, 432)], ‘right_eye‘: [(577, 440), (605, 437), (631, 442), (655, 451), (628, 454), (601, 449)], ‘top_lip‘: [(415, 617), (452, 600), (484, 593), (506, 600), (525, 598), (551, 610), (579, 634), (566, 630), (524, 620), (504, 619), (482, 616), (428, 616)], ‘bottom_lip‘: [(579, 634), (546, 636), (518, 636), (498, 635), (475, 632), (447, 626), (415, 617), (428, 616), (479, 605), (500, 610), (520, 610), (566, 630)]}]

[array([-0.14088562, 0.00503807, 0.00270613, -0.07196694, -0.13449337,-0.07765003, -0.03745099, -0.09381913, 0.12006464, -0.14438102,0.13404925, -0.06327219, -0.17859964, -0.05488868, -0.02019649,0.1671212 , -0.1643257 , -0.12276072, -0.03441665, -0.05535197,0.10760178, 0.04479133, -0.06407147, 0.0689199 , -0.11934121,-0.32660219, -0.07756624, -0.06931646, 0.04064362, -0.05714978,-0.0353414 , 0.0762421 , -0.18261658, -0.07098956, 0.02025999,0.13947421, -0.00086442, -0.05380288, 0.17013952, 0.03612047,-0.24374251, 0.02234841, 0.06126914, 0.25475574, 0.11198805,0.01954928, 0.01119124, -0.10833667, 0.14647615, -0.14495029,-0.00890255, 0.12340544, 0.05062022, 0.07525564, 0.0184714,-0.0970083 , 0.07874238, 0.09881058, -0.15751837, 0.02846039,0.0963228 , -0.07531998, -0.0176545 , -0.07000162, 0.25344211,0.03867894, -0.09201257, -0.1658347 , 0.12261658, -0.1535762,-0.15940444, 0.04406216, -0.12239387, -0.10966937, -0.30615237,-0.00739088, 0.39348996, 0.108335 , -0.20034787, 0.08009379,-0.05592394, -0.0375729 , 0.23610245, 0.16506384, 0.03575533,0.04828007, -0.04044699, 0.01277492, 0.25646573, -0.00142263,-0.04078939, 0.18071812, 0.0617944 , 0.12697747, 0.02988701,-0.00425877, -0.07669616, 0.00568433, -0.10959606, -0.03289849,0.08964096, -0.00859835, 0.00752143, 0.14310959, -0.14807181,0.18848835, 0.03889544, 0.0564449 , 0.03094865, 0.05897319,-0.11886788, -0.03628988, 0.09417973, -0.20971358, 0.22439443,0.18054837, 0.0444049 , 0.06860743, 0.1211487 , 0.02242998,-0.01343671, -0.00214755, -0.24110457, -0.03643485, 0.13142672,-0.05264375, 0.09808614, 0.00694137])]

Process finished withexit code 0

可以将面部编码相互比较以查看面部是否匹配，注意：查找面部编码有点慢，因此如果在以后还需对次图片进行面部分析参考，建议将每个图片的结果存留缓存或存储进数据库。

一旦得到面部编码，便可以比较他们

# results is an array of True/False telling if the unknown face matched anyone in the known_faces array

results = face_recognition.compare_faces(known_face_encodings, a_single_unknown_face_encoding)

就是这么简单！

face_recognition 模块内容

batch_face_locations 使用CNN人脸检测器返回图像中人脸边界框的二维数组

face_recognition.batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)

使用CNN人脸检测器返回图像中人脸边界框的二维数组

如果您使用的是GPU，这可以提供更快的结果，因为GPU

可以一次处理一批图像。如果你不使用GPU，你就不需要这个功能。

：param img：图像列表（每个图像都是一个numpy数组）

：param number_of_times_to_upsample：要对图像进行多少次upsample以查找面。数字越大，面越小。

：param batch_size：每个GPU处理批中要包含多少图像。

：return：按css（上、右、下、左）顺序找到的面位置的元组列表

compare_faces 将人脸编码列表与候选编码进行比较，看它们是否匹配。

face_recognition.compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)

将人脸编码列表与候选编码进行比较，看它们是否匹配。

：param known_face_encodings：已知人脸编码列表

：param face_encoding_to_check：要与列表进行比较的单个面编码

：param tolerance：面与面之间的距离应视为匹配。越低越严格。0.6是典型的最佳性能。

：return：一个true/false值列表，指示要检查的已知面部编码与面部编码匹配。

face_distance 给定面部编码列表，将它们与已知的面部编码进行比较，并获得每个比较面部的欧氏距离。距离告诉您脸部的相似程度。

face_recognition.face_distance(face_encodings, face_to_compare)

给定面部编码列表，将它们与已知的面部编码进行比较，并获得每个比较面部的欧氏距离。距离告诉您脸部的相似程度。

：param faces：要比较的面编码列表

：param face_to_compare：要与之比较的人脸编码

：返回：一个numpy ndarray，每个面的距离与“faces”数组的顺序相同。

face_encodings 给定的图像，返回的128维编码每个脸对脸的形象。

face_recognition.face_encodings(face_image, known_face_locations=None, num_jitters=1)

给定的图像，返回的128维编码每个脸对脸的形象。

参数：face_image：图像是包含一个或多个面

参数：known_face_locations：可选的如果您已经知道每个面的边界框。

参数：num_jitters：计算编码时重新采样面的次数。更高更准确，但更慢（即100慢100倍）

参数：return：128维面部编码列表（图像中每个面部一个）

face_landmarks 给定图像，返回图像中每个面部的面部特征位置（眼睛，鼻子等）的字典。

face_recognition.face_landmarks（face_image，face_locations = None，model =‘large‘）

给定图像，返回图像中每个面部的面部特征位置（眼睛，鼻子等）的字典。

face_image- 要搜索的图像

face_locations- 可选择提供要检查的面部位置列表。

model- 可选 - 要使用的模型。“大”（默认）或“小”，只返回5分但速度更快。

return：面部特征位置（眼睛，鼻子等）的序列表

face_locations 返回图像中人脸边界框的数组。

face_recognition.face_locations（img，number_of_times_to_upsample = 1，model =‘hog‘）

返回图像中人脸边界框的数组。

img- 一个图像（作为一个numpy数组）

number_of_times_to_upsample- 对图像进行上采样以查找面部的次数。数字越大，面部越小。

model- 使用哪种人脸检测模型。“hog”不太准确，但在CPU上更快。“cnn”是一种更准确的深度学习模型，它是GPU / CUDA加速（如果可用）。默认为“hog”。

return：css（顶部，右侧，底部，左侧）顺序中找到的面部位置的元组列表

load_image_file 将图像文件（.jpg，.png等）加载到numpy数组中。

face_recognition.load_image_file（file，mode =‘RGB‘)

将图像文件（.jpg，.png等）加载到numpy数组中。

file- 要加载的图像文件名或文件对象

mode- 将图像转换为的格式。仅支持“RGB”（8位RGB，3个通道）和“L”（黑色和白色）

return：图像内容为numpy数组。

完成！

原文地址：https://www.cnblogs.com/wjw1014/p/10259180.html