基于python + dlib实现人脸识别【100012240】

# python 进行人脸识别 ### 人脸识别的主要算法 其核心算法是 欧式距离算法使用该算法计算两张脸的面部特征差异，一般在 0.6 以下都可以被认为是同一张脸 ### 人脸识别的主要步骤 - 获得人脸图片 - 将人脸图片转为 128D 的矩阵(这个也就是人脸特征的一种数字化表现) - 保存人脸 128D 的特征到文件中 - 获取其他人脸转为 128D 特征通过欧式距离算法与我们保存的特征对比，如果差距在 0.6 以下就说明两张脸差距比较小 ### 准备工作 人脸识别需要下载两个文件: wget [http://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2](http://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2) wget [http://dlib.net/files/dlib_face_recognition_resnet_model_v1.dat.bz2](http://dlib.net/files/dlib_face_recognition_resnet_model_v1.dat.bz2) 下载完成后 通过 bzip2 -d 命令解压这两个压缩包 > 以下就按照上面的步骤一步一步去实现人脸识别 ### 1 获取人脸 获取人脸的方式有两种途径 > 1 通过图片 > 2 通过摄像头采集 ##### 图片方式 通过图片获取人脸 demo(需要检查图片中是否包含了人脸) ``` import cv2 import dlib picture = '/home/sunshine/faces/harden1.jpg' detector = dlib.get_frontal_face_detector() def add_face_from_image(image): imdata = cv2.imread(image) rgb_image = cv2.cvtColor(imdata, cv2.COLOR_BGR2RGB) faces = detector(rgb_image, 1) if len(faces) == 0: print("没有检测到人脸") else: # 到此就获取到了人脸数据 pass ``` ##### 视频方式 > 通过视频方式获取人脸 demo 这种方式需要把视频的图片截取下来保存到指定的路径 ``` import cv2 import dlib from pathlib import Path video = cv2.VideoCapture(0) save_path = '/home/fantasy/faces' def read_camera0(): """ 读取摄像头 """ while 1: ok, frame = video.read() if not ok: print("读取摄像头#0失败") return else: yield frame video.release() def putText(image, text, location=(100, 150), font=cv2.FONT_HERSHEY_COMPLEX, size=1.1, color=(0, 255, 255), font_weight=2): """ 往视频上加文字 param: image 视频/图片 param: text 文字内容 param: location 文字的位置 param: font 字体 param: size: 字体大小 param: color: 字体颜色 param: font_weight 字体粗细 """ cv2.putText(image, text, location, font, size, color, font_weight, lineType=cv2.LINE_AA) def add_face_from_camera(): frames = cv_tools.read_camera0() count = 0 for frame in frames: image_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) title = 'Register' press = cv2.waitKey(2) data = detector(image_rgb) if len(data) == 0: putText(frame, "No face was detected!", color=(0, 0, 255)) if press == ord('q'): break if press == ord('a'): if len(data) == 0: putText(frame, "No face was detected!", color=(0, 0, 255)) else: count += 1 impath = Path(save_path).joinpath('%s.jpg' % count) print("保存照片 %s" % impath) cv2.imwrite(str(impath), frame) cv_tools.putText(frame, 'a:Add', location=(40, 300)) cv_tools.putText(frame, 'q:Quit', location=(40, 350)) cv_tools.putText(frame, 'save count:%s' % count, location=(40, 400), size=1.0) cv2.imshow(title, frame) cv2.destroyAllWindows() ``` 视频的方式需要注意几点 - 我使用的是笔记本电脑因此 通过 cv2.VideoCapture(0) 方法默认就是获取到笔记本默认的摄像头,如果你的台式机没有摄像头或者是外接摄像头可能就无法获取 - 视频的方式保存图片 需要将光标点击到视频，然后按 a 键, 退出就按 q 键 - 视频中如果没有检查到人脸就会出现提示 No face was detected! 此时是没法保存图片的  视频方式截图 到这一步就完成了 获取人脸照片，保存到指定的路径了 #### 2-3 将获取的人脸数据转为 128D 数据，并保存 这一步我们要做的就是，将我们上一步保存的人脸数据，通过使用 dlib 提取人脸特征然后保存到文件里面 这样我们就拥有了 某张脸的数据了， 下次直接使用这个数据和新的数据比对就可以确定是否是同一个人 人脸转为 128D 特征数据 demo ``` import os import cv2 import dlib from imutils import paths face_image = '/home/sunshine/faces' predictor_path = '/home/fantasy/MachineLearning/cv/shape_predictor_5_face_landmarks.dat' face_model_path = '/home/fantasy/MachineLearning/cv/dlib_face_recognition_resnet_model_v1.dat' def prepare(): """ """ if not os.path.exists('feature'): os.mkdir('feature') if os.path.exists('feature'): shutil.rmtree('feature') os.mkdir('feature') def get_detector(): """ """ return dlib.get_frontal_face_detector() def get_predictor(): """ """ return dlib.shape_predictor(predictor_path) def get_face_model(): """ """ return dlib.face_recognition_model_v1(face_model_path) def get_faces_image(): """ """ return paths.list_images(face_image) def faces_to_128D(): """ """ prepare() faces = get_faces_image() detector = get_detector() predictor = get_predictor() face_model = get_face_model() count = 0 for image in faces: imdata = cv2.imread(image) image_rgb = cv_tools.bgr2rgb(imdata) has_face = detector(image_rgb, 1) if len(has_face) == 0: print("未检测到人脸 %s" % image) continue count += 1 shape = predictor(image_rgb, has_face[0]) face_desc = face_model.compute_face_descriptor(image_rgb, shape) feature_array = np.array([]) for _, desc in enumerate(face_desc): feature_array = np.append(feature_array, desc) filename = str(count) + '.csv' filename = os.path.join('feature', filename) print("保存 %s 特征文件 %s" % (image, filename)) face_feature_to_csv(filename, feature_array) def face_feature_to_csv(filename, col): """ """ np.savetxt(filename, col, delimiter=',') ```  **通过上面的步骤我们把之前通过图片或者视频方式获取到的人脸提取到了特征 保存在文件里面了** #### 4 人脸对比 通过前面的方式我们已经拥有了一个可以识别某张脸的数据，现在就需要采集到其他的人脸图片转为 128D 再和我们保存的数据，使用欧式距离方式进行对比 人脸对比的 demo 从摄像头或者图片从获取人脸对比已有的数据 ``` import cv2 import dlib import glob import numpy as np # 保存人脸特征的csv文件路径 csv_path = '/home/sunshine/feature' all_load_feature = [] # 1 先把保存的人脸特征读取到 def load_face_feature(): """ """ all_csv = glob.glob(csv_path + '/*.csv') for filename in all_csv: array = np.loadtxt(filename, delimiter=',') print("加载已有的面部特征文件 %s" % filename) all_load_feature.append(array) # 2 再从摄像头或者 图片从获取一张人脸，转为128D数据和现有的对比 def read_face_from_image(image): """ 通过从图片中获取人脸 """ imdata = cv2.imread(image) face_compare(imdata) cv2.imshow("face recogition", imdata) key = cv2.waitKey(0) if key == ord('q'): cv2.destroyAllWindows() def face_compare(face_image): """ """ rgb_image = cv2.cvtColor(face_image, cv2.COLOR_BGR2RGB) im_shape = rgb_image.shape im_height = i