人工智能研究所的博客

人脸特效，现在很多app都有类似的功能，包括人脸美白，人脸瘦脸以及抖音上的人脸镜像视频等等，本期介绍几个人脸的镜像功能

上期文章，我们分享了如何给图片添加马赛克，但是很多时候，我们需要给视频添加马赛克。当然你能想到的是通过后期软件处理的方法来进行，本文教你使用简单的几行代码便可以很方便的给视频添加马赛克

本文利用人工智能技术，给图片或者视频添加马赛克，避免自己出镜的尴尬，再也不用担心朋友圈屏蔽老爸老妈了。

本文利用人工智能技术，给图片或者视频添加马赛克，避免自己出镜的尴尬，再也不用担心朋友圈屏蔽老爸老妈了。

抖音的美颜功能强大到能把男人变成伪娘，甚至还有年轻小伙刷礼物，疯狂追求，殊不知，你追求的大美女在生活中却是一个油腻大叔。本期文章带你如何使用人工智能技术打假抖音伪娘

前期的文章我们分享了人脸的识别以及如何进行人脸数据的训练，本期文章我们结合人脸识别的模型进行人脸性别的检测

为了神经网络的快速计算，我们把图片resize一下frame = cv2.resize(frame, (400*600))，获取一个小尺寸的图片，(400*600)这里是指的图片的尺寸（宽400,长600）capture = cv2.VideoCapture() 这行代码便打开电脑配置的默认摄像头，当打开后，稍微延时，等待摄像头的打开，摄像头打开后，便可以获取视频帧的图片。文章中提供的模型，年龄检测是一个阶段的检测，若想得到更精确的年龄检测，需要大量的数据进行计算训练。模型进行人脸年龄的实时检测。

前期的文章我们分享了人脸的识别以及如何进行人脸数据的训练，本期文章我们结合人脸识别的模型进行人脸年龄的检测

通过这6个数据点，可以来定位人眼的6个数据点的坐标，从下图可以看出当人眼睁眼时，人眼上的6个数据点的坐标与人眼闭眼时的数据点坐标不完全一样，通过计算6个数据点的坐标差异，便可以通过距离的计算来判断人眼是否闭眼了，通过设置一个阈值，当人眼闭眼的时间超过阈值时，我们定义为这个人已经瞌睡了，此方案用于高速行驶的司机特别有效，以便检查司机师傅是否瞌睡了，若瞌睡了，可以发生报警等措施来叫醒司机，避免大量的车祸的发生。定义人眼纵横比阈值（19行，根据自己人眼大小来设置）提取人眼坐标，来计算人眼纵横比（55-60行）

人眼眨眼检测时人脸识别中很重要的一环，微信支付，支付宝支付很多时候需要识别是不是人脸或者是照片，通过人脸的眨眼检测，可以有效的来识别是否是正常的人脸，当然还有很多方法来检测是否是一个正常的人脸，比如现在超市的无人收银，让用户提供手机后4位，其实看是为了安全，其实也有这方面的考虑，小编是这样认为的，你觉得捏？当检测到人眼时，通过实时计算人眼的纵横比，当人眼纵横比突然变小时，便可以通过此值来判断人眼眨眼了，也可以证明人脸不是照片。提取人眼坐标，来计算人眼纵横比（55-60行）

通过以上步骤，我们便可以分别检测到人脸的部分地方，当然也可以检测到人眼，在人脸识别中，有一个比较困难的地方便是如何区分这个人脸是一个人正常的或者说不是一个照片，以免别人拿到照片也可对人脸进行检测，我们使用支付宝或者微信时，进行人脸识别时，有时候要求进行眨眼睛，通过此方法便可以有效的识别不是人脸照片，如何进行人脸的眨眼睛，我们后期分享。第三方库from imutils import face_utils中的face_utils已经集成了人脸部分的数据以及格式化代码，我们可以直接来使用它来进行人脸部分的检测。

通过往期的文章分享，我们分享了人脸识别的前2个步骤，人脸数据的提取，人脸数据的神经网络训练，本期是人脸识别的最终章，通过前期文章训练的人脸数据模型，进行人脸的识别。人脸识别结果人脸识别系统初始化初始化系统2-6行，插入必要的第三方库8-10行，导入人脸检测模型，人脸识别的前提步骤是从图片或者从视频中识别到人脸12-13行，导入人脸识别模型15-18行，导入上期文章训练的人脸模型数据，包括人脸数据以及人脸label。

通过以上的代码，就可以对人脸数据进行神经网络的训练以及保存，保存的预训练模型是我们下期进行人脸识别的主要神经网络模型，小编使用了自己最喜欢的一位女明星的照片来进行训练，使用颖宝的照片，概率在80%以上，使用其他美女照片，概率很低，这便达到了我们神经网络训练的目的。C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱。kernel ：核函数，默认是rbf，可以是‘linear’,‘poly’, ‘rbf’

以上人脸识别过程，存在一定的问题，当人脸原始数据比较大时，数据库中必然存在比较多的人脸数据，当进行人脸识别时，被识别的人脸与数据库中的数据对比时，必然会消耗大量的时间，对人脸实时识别的速度有较大的影响。以上5步便完成了整个人脸的数据采集，当然，若想后期人脸识别的精度较高，需要进行大量的人脸数据搜集.此部分文章是人脸识别的第一部分，人脸数据的搜集与提取，后期我们分享人脸识别系统的神经网络训练与人脸识别。77行，新建一个字典数据，把人脸的label以及人脸数据保存到本地，方便后期进行神经网络的训练。

对比人脸数据与数据库中的人脸数据，得到人脸的名字，对比人脸数据使用的是欧拉公式，数据中没有的人脸数据，我们定义为unknown。使用dlib68点特征检测数据，把照片中的人脸数据提取出来，当然也可以直接使用face_descriptor的数据。为了演示，把2张照片的人脸数据保存到一个list中，另一个list中一一对应人脸数据的名字。OK，本期的人脸识别只是一个介绍示例，人脸数据的提取直接使用dlib的68点特征数据。打开本地的2照片，一张是小编自己的，一张是封面美女照片。

是一个现代的C ++工具包，包含机器学习算法和工具，用于在C ++中创建复杂的软件来解决实际问题。它广泛应用于工业界和学术界，包括机器人，嵌入式设备，移动电话和大型高性能计算环境。Dlib的开源许可 允许您在任何应用程序中免费使用它Dlib可以使用pip install来安装或者到官网下载dlib-19.8.1-cp36-cp36m-win_amd64.whl来安装（到官网下载最新的whl）whl文件的安装，需要cmd进入终端目录下，使用pip install。

OpenCV作为对象检测的第三方库，其强大之处在于对象的检测，Dlib出现后，由于在人脸检测方面的准确度，得到了大家了认可，下期我们分享一下，如何使用Dlib来进行人脸的检测。CV_HAAR_DO_CANNY_PRUNING，那么函数将会使用Canny边缘检测来排除边缘过多或过少的区域，flags--要么使用默认值，要么使用CV_HAAR_DO_CANNY_PRUNING，如果设置为。有了以上的2句代码，再加上上期的图片识别，就可以从视频中检测人脸了。image--待检测图片，一般为灰度图像加快检测速度；

从检测的结果来看，模型不仅进行了人脸检测，还对人脸的性别与年龄进行了预测，当然insightface不仅可以进行人脸检测，还可以进行人脸识别，只不过需要我们自己搭建自己的数据集，并进行人脸模型的训练，这个我们后期进行分享吧。使用insightface前，我们需要安装相应的第三方库，insightface主要基于pytorch，在运行本期代码前，确保自己的电脑上安装了pytorch，且版本大于1.6。人脸的检测与识别，这方面的文章，我们前期的文章也有相关的介绍，主要涉及到。

在OpenCV中使用Haar特征检测人脸，那么需要使用OpenCV提供的xml文件（级联表）在haarcascades目录下。首先要采用样本的Haar特征训练分类器，从而得到一个级联的AdaBoost分类器。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。使用OpenCV的自带的模型库检测人脸很容易实现，下期我们分享一下如何从视频中检测到人脸。上述xml分别是人脸不同的部位模型，我们使用如下模型来识别人脸。