python+opnecv+dlib+face_recognition跟随视频对视频中的人脸进行识别

这次算是对之前几篇的联合使用，虽然使用效果并不是很理想，但是至少是有个思路？？！！对都是小细节不允许细究！
首先展示下我用来测试的视频与识别的图像，视频是从抖音提取出来的无水印视频，因为感觉抖音上面的视频时间短易获得易测试还高清，这也是我为什么不看抖音却还在手机上留着它的原因，它就是我的玩物！至于怎么提取抖音无水印视频呢，很简单，只要把链接发到我的微信上，就会自动回复给你啦，如图



所以我又在给我的微信推广告？？

好了说正事，我在这里使用opencv主要是打开目录下的视频文件，在视频中的人脸画框，在人脸上写字，控制视频文件开关的操作。
下面说一下使用到的cv代码

camera = cv2.VideoCapture('1.mp4')#打开摄像头
cv2.rectangle(frame, (face.left(), face.top()), (face.right(), face.bottom()), (0, 255, 0), 1)#画框
cv2.imwrite('1.jpg',img1)#将识别到的人脸图片存入目录下，以便识别读取
cv2.putText(frame, name, (face.left() - 10, face.top() - 10), cv2.FAST_FEATURE_DETECTOR_NONMAX_SUPPRESSION, 2,(255, 0, 0), 2)#在人脸上方写字，若相同，则输出名字，不同则输出unknow
cv2.resizeWindow("Camera", 640, 550)#控制视频窗口大小
cv2.imshow("Camera", frame)#展示视频窗口

dlib的作用主要就是检测出框，当然dlib也可以不使用，用face_recognition也行，下面两个的代码都会贴出来，dlib的代码就这几行，用来查找人脸与位置

dets = detector(frame_new, 1)
    print("人脸数: {}".format(len(dets)))
    # 查找脸部位置
    for i, face in enumerate(dets):

下面这个是动图…只是我录着卡

最后是识别的face_recognition的方法，和之前写的用法一样，获取人脸，然后一行识别，但也因为这样简单，所以我们的识别效率并不会很高，碰到侧脸或是很模糊的时候就感觉不是很行了

face_image = face_recognition.load_image_file(r"dlrb1.jpg")
        face_image1 = face_recognition.load_image_file(r"1.jpg")
        face_encondings = face_recognition.face_encodings(face_image)  # 遍历人脸
        face_encondings1 = face_recognition.face_encodings(face_image1)
        face_locations = face_recognition.face_locations(face_image)  # 人脸位置
        face_locations1 = face_recognition.face_locations(face_image1)
        face1 = face_encondings[0]
        for i in range(len(face_encondings1)):
            face2 = face_encondings1[i]
            result = face_recognition.compare_faces([face1], face2, tolerance=0.5)  # 将人脸进行比对

像下面图的测试结果，很明显看出开始的时候虽然脸本来也看不太清，识别不出来也算正常？但是我总觉得很不完美，得脸露出多点才能识别清楚，以后用这个我就能有理地说：“你脸呢！”

以上的图都是加上dlib的效果图。
下面是完整代码

import dlib
import cv2
import face_recognition
detector = dlib.get_frontal_face_detector()#检测器
camera = cv2.VideoCapture('1.mp4')
while True:
    ret, frame = camera.read()
    frame_new = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    dets = detector(frame_new, 1)#检测图像中的人脸
    print("人脸数: {}".format(len(dets)))
    # 查找脸部位置
    for i, face in enumerate(dets):
        cv2.rectangle(frame, (face.left(), face.top()), (face.right(), face.bottom()), (0, 255, 0), 1)
        img1=frame[face.top():face.bottom(),face.left():face.right()]
        cv2.imwrite('1.jpg',img1)#将获取的人脸图片保存
        face_image = face_recognition.load_image_file(r"dlrb1.jpg")#导出参考的迪丽热巴图片
        face_image1 = face_recognition.load_image_file(r"1.jpg")#导入保存的人脸图片
        face_encondings = face_recognition.face_encodings(face_image)  # 遍历人脸
        face_encondings1 = face_recognition.face_encodings(face_image1)
        face_locations = face_recognition.face_locations(face_image)  # 人脸位置
        face_locations1 = face_recognition.face_locations(face_image1)
        face1 = face_encondings[0]
        for i in range(len(face_encondings1)):
            face2 = face_encondings1[i]
            result = face_recognition.compare_faces([face1], face2, tolerance=0.5)  # 将
            print(result)
            print(type(result))
            if result[0] == True:
                print('1')
                name = 'dilireba'#若为相同，则在人像上打印出dilireba，下同
                cv2.putText(frame, name, (face.left() - 10, face.top() - 10), cv2.FAST_FEATURE_DETECTOR_NONMAX_SUPPRESSION, 2,(255, 0, 0), 2)
            else:
                print('0')
                name = 'unknow'
                cv2.putText(frame, name, (face.left() - 10, face.top() - 10),cv2.FAST_FEATURE_DETECTOR_NONMAX_SUPPRESSION, 2,(255, 0, 0), 2)
    cv2.resizeWindow("Camera", 640, 550)
    cv2.imshow("Camera", frame)
    m = cv2.waitKey(1)
 

1jpg为保存的人脸图像（运行时会不断更新），1.mp4为测试的视频，dlrb1.jpg为作为对比测试的原图

然后是只使用face_recognition不使用dlib的代码

import dlib
import cv2
import face_recognition
camera = cv2.VideoCapture('1.mp4')
while True:
    ret, frame = camera.read()
    frame_new = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    face_encondings1 = face_recognition.face_encodings(frame)  # 遍历人脸
    print("人脸数: {}".format(len(face_encondings1)))
    face_image = face_recognition.load_image_file(r"dlrb1.jpg")
    face_encondings = face_recognition.face_encodings(face_image)  # 遍历人脸
    face_locations1 = face_recognition.face_locations(frame)
    face1 = face_encondings[0]
    for i in range(len(face_encondings1)):
        face2 = face_encondings1[i]
        result = face_recognition.compare_faces([face1], face2, tolerance=0.5)  # 将
        print(result)
        print(type(result))
        if result[0] == True:
            print('1')
            name = 'yes'
        else:
            print('0')
            name = 'unknow'
        face_enconding = face_encondings1[i]
        face_location = face_locations1[i]
        top, right, bottom, left = face_location
        img1=frame[top:bottom,left:right]
        cv2.imwrite('1.jpg', img1)
        cv2.rectangle(frame, (left, top), (right, bottom), (0, 255, 0), 2)
        cv2.putText(frame, name, (left - 10, top - 10), cv2.FAST_FEATURE_DETECTOR_NONMAX_SUPPRESSION, 2,
                    (255, 0, 0), 2)
        face_image_rgb1 = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR)
    cv2.resizeWindow("Camera", 640, 480)
    cv2.imshow("Camera", frame)
   m = cv2.waitKey(1)
   

原理同上，只不过是将dlib的识别换成了使用face_recognition。下图是用face_recognition的测试效果，感觉没差

测试下来并没有想象中的很好的结果，测试用起来没关系，要是得用在别的地方还是需要很多优化，多训练模型什么的，有外界影响时识别效果就没那么精确，但是我觉得大概可以使用这个思路。