Python基于OpenCV的人脸集合相似度检测系统(源码＆UI＆教程).zip

 # **1.功能介绍：** **用户****输入人脸照片****，程序从照片库中****选出10张最相似人脸照片输出在文件夹****中，并且****给出这十张人脸与输入人脸的相似度值****。** **- 照片库可以增删** **- 调节相似度阈值可调节** **- 自定义UI操作界面** # **2.视频演示：** [[项目分享]基于OpenCV的人脸集合相似度检测系统(源码＆UI＆教程)_哔哩哔哩_bilibili](https://www.bilibili.com/video/BV1Wa41137CW/?vd_source=bc9aec86d164b67a7004b996143742dc) # **3.图片演示：**   # **4.人脸相似度对比原理：** #### 整体思路： 1、预先导入所需要的人脸识别模型； 2、遍历循环识别文件夹里面的图片，让模型“记住”人物的样子； 3、输入一张新的图像，与前一步文件夹里面的图片比对，返回最接近的结果。 #### 使用到的第三方模块和模型： 1、模块：os,dlib,glob,numpy； 2、模型：人脸关键点检测器，人脸识别模型。 #### 导入需要的模型。 这里解释一下两个dat文件： 它们的本质是参数值（即神经网络的权重）。人脸识别算是深度学习的一个应用，事先需要经过大量的人脸图像来训练。[参考该博客，设计一个神经网络结构，来“记住”人类的脸](https://afdian.net/item?plan_id=daff878c5f4011edb19b52540025c377)。 对于神经网络来说，即便是同样的结构，不同的参数也会导致识别的东西不一样。在这里，这两个参数文件就对应了不同的功能（它们对应的神经网络结构也不同）： shape_predictor.dat这个是为了检测人脸的关键点，比如眼睛，嘴巴等等；dlib_face_recognition.dat是在前面检测关键点的基础上，生成人脸的特征值。 所以后面使用dlib模块的时候，其实就是相当于，调用了某个神经网络结构，[加载该博客提供的预训练权重](https://mbd.pub/o/bread/Y5WUlJxp)，再把预先训练好的参数传给我们调用的神经网络。顺便提一下，在深度学习领域中，往往动不动会训练出一个上百M的参数模型出来，是很正常的事。 ``` import os,dlib,glob,numpy from skimage import io # 人脸关键点检测器 predictor_path = "shape_predictor.dat" # 人脸识别模型、提取特征值 face_rec_model_path = "dlib_face_recognition.dat" # 训练图像文件夹 faces_folder_path ='train_images' # 加载模型 detector = dlib.get_frontal_face_detector() sp = dlib.shape_predictor(predictor_path) facerec = dlib.face_recognition_model_v1(face_rec_model_path) ``` #### 对训练集进行识别 ``` candidate = [] # 存放训练集人物名字 descriptors = [] #存放训练集人物特征列表 for f in glob.glob(os.path.join(faces_folder_path,"*.jpg")): print("正在处理: {}".format(f)) img = io.imread(f) candidate.append(f.split('\\')[-1].split('.')[0]) # 人脸检测 dets = detector(img, 1) for k, d in enumerate(dets): shape = sp(img, d) # 提取特征 face_descriptor = facerec.compute_face_descriptor(img, shape) v = numpy.array(face_descriptor) descriptors.append(v) print('识别训练完毕！') ``` 当你做完这一步之后，输出列表descriptors看一下，可以看到类似这样的数组，每一个数组代表的就是每一张图片的特征量（128维）。然后我们可以使用L2范式（欧式距离），来计算两者间的距离。 举个例子，比如经过计算后，A的特征值是[x1,x2,x3],B的特征值是[y1,y2,y3], C的特征值是[z1,z2,z3]。  那么由于A和B更接近，所以会认为A和B更像。想象一下极端情况，如果是同一个人的两张不同照片，那么它们的特征值是不是应该会几乎接近呢？知道了这一点，就可以继续往下走了。 #### 处理待对比的图片。 其实是同样的道理，如法炮制，目的就是算出一个特征值出来，所以和第二步差不多。然后再顺便计算出新图片和第二步中每一张图片的距离，再合成一个字典类型，排个序，选出最小值，搞定收工！ ``` try: ## test_path=input('请输入要检测的图片的路径（记得加后缀哦）:') img = io.imread(r".\test_images\test6.jpg") dets = detector(img, 1) except: print('输入路径有误，请检查！') 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) for i in descriptors: #计算距离 dist_ = numpy.linalg.norm(i-d_test) dist.append(dist_) # 训练集人物和距离组成一个字典 c_d = dict(zip(candidate,dist)) cd_sorted = sorted(c_d.items(), key=lambda d:d[1]) print ("识别到的人物最有可能是: ",cd_sorted[0][0]) ``` # **5.系统整合：** 下图[完整源码＆环境部署视频教程＆自定义UI界面](https://s.xiaocichang.com/s/fc3048) 参考博客[《Python基于OpenCV的人脸集合相似度检测系统(源码＆UI＆教程)》](https://zhuanlan.zhihu.com/p/561111565) # **6.参考文献：** *** * *[1]*[一种新的人眼定位算法](https://kns.cnki.net/kcms/detail/detail.aspx?filename=HYSK200303018&dbcode=CJFD&dbname=CJFD2003&v=_Qjs37e5DTZXPPXRRj-KlYhWEqDypNUOW2rPX08ztQNydTZBH7y0iwqlxv6W2cK2)[J]. 金名蜚. 淮阴师范学院学报(自然科学版). 2003(03) * *[2]*[基于复杂度和最佳阈值的人眼定位方法](https://kns.cnki.net/kcms/detail/detail.aspx?filename=JZDF200801005&dbcode=CJFD&dbname=CJFD2008&v=VMVdncVbKgsSuKQOxA3xBKML47q2NmqVxHNTahr7SIz9ED4SVpiKpSYav6hCyBFI)[J]. 崔连延,徐林,顾树生. 控制工程. 2008(01) * *[3]*[复杂背景下基于肤色和几何特征的人眼定位](https://kns.cnki.net/kcms/detail/detail.aspx?filename=JZCK20050300U&dbcode=CJFD&dbname=CJFD2005&v=ikGiI-mM43T8tCQvvnAlT81_dlFq_k7bdnZ3BS3UNNzn-KHyr9PAoQ5jHmXrCmJn)[J]. 李璇,罗敏,施荣华,李丽. 计算机测量与控制. 2005(03) * *[4]*[一种基于圆检测的眼睛定位方法](https://kns.cnki.net/kcms/detail/detail.aspx?filename=SDKY200703027&dbcode=CJFD&dbname=cjfd2007&v=PkFMXy-AC0gJJ46Ht_6-krRefBSCWNGosJO4qG7aFf3COx5LcVBImGG5kNZwKTgZ)[J]. 张丹丹,张凌燕,彭延军. 山东科技大学学报(自然科学版). 2007(03) * *[5]*[基于图像块复杂度和分段距离函数的人眼定位算法研究](https://kns.cnki.net/kcms/detail/detail.aspx?filename=JZGC201121134&dbcode=CJFD&dbname=CJFD2011&v=qpbc92arNdXcSUmEh9MYYWAiUF41f63RvXdcyH9bOXsbZbPY1U_W6atIEUavSUf2)[J]. 程磊,郑鑫. 价值工程. 2011(21) * *[6]*[双目标的无参考图像块内容识别仿真](https://kns.cnki.net/kcms/detail/detail.aspx?filename=JSJZ202011080&dbcode=CJFD&dbname=CJFD2020&v=fZZnlvjuLWOAYuSxOfe0gYHBBiqMjKy64KDz4tQ8yBoKI03PORdwA019d5ZodT3M)[J]. 李春阁,王新强. 计算机仿真. 2020(11) * *[7]*[基于视频图像块模型的局部异常行为检测](https://kns.cnki.net/kcms/detail/detail.aspx?filename=NJYD201701005&dbcode=CJFD&dbname=CJFD2017&v=qSZ8rNJMHKduwdp6dpHbi23l5fcKMh8OF8ciZ2yDACZ_zmcpWsfNfWzoVp4UAiUg)[J]. 程艳云,朱松豪,徐国政,梁志伟. 南京邮电大学学报(自然科学版). 2017(01) * *[8]*[基于图像块分组的加密域可逆信息隐藏](https://kns.cnki.net/kcms/detail/detail.aspx?filename=BJGD201605012&dbcode=CJFD&dbname=CJFD2016&v=F3uWJrHh_cGSb_iHh0tlfAzgg3oGdmClsBgkGfB1eNEz1RoIakZI2ZO-5099bwqT)[J]. 程航,王子驰,张新鹏. 北京工业大学学报. 2016(05) * *[9]*[图像块动态划分矢量量化](https://kns.cnki.net/kcms/detail/detail.aspx?filename=J