手把手教你用 1 行命令实现人脸识别

人脸识别很难吗?

-- Kangvcar

本文导航

◈ 环境要求00%

◈ 环境搭建03%

◈ 实现人脸识别19%

◈ 示例一(1 行命令实现人脸识别):19%

◈ 示例二(识别图片中的所有人脸并显示出来):31%

◈ 示例三(自动识别人脸特征):49%

◈ 示例四(识别人脸鉴定是哪个人):65%

◈ 示例五(识别人脸特征并美颜):81%

转载自 | http://www.jianshu.com/p/281aa6a3823a  作者 | 简书 / Kangvcar

环境要求

◈ Ubuntu17.10[1]

◈ Python 2.7.14[2]

环境搭建

1、 安装 Ubuntu17.10[1] > 安装步骤在这里[3]。

2、 安装 Python2.7.14 (Ubuntu17.10 默认Python版本为2.7.14)

3、 安装 git 、cmake 、 python-pip

# 安装 git$ sudo apt-get install -y git# 安装 cmake$ sudo apt-get install -y cmake# 安装 python-pip$ sudo apt-get install -y python-pip

4、 安装编译 dlib

安装 face_recognition 这个之前需要先安装编译 dlib。

# 编译dlib前先安装 boost$ sudo apt-get install libboost-all-dev# 开始编译dlib# 克隆dlib源代码$ git clone https://github.com/davisking/dlib.git$ cd dlib$ mkdir build$ cd build$ cmake .. -DDLIB_USE_CUDA=0 -DUSE_AVX_INSTRUCTIONS=1$ cmake --build .(注意中间有个空格)$ cd ..$ python setup.py install --yes USE_AVX_INSTRUCTIONS --no DLIB_USE_CUDA

5、 安装 face_recognition

# 安装 face_recognition$ pip install face_recognition# 安装face_recognition过程中会自动安装 numpy、scipy 等

环境搭建完成后,在终端输入 face_recognition 命令查看是否成功

实现人脸识别

示例一(1 行命令实现人脸识别):

1、 首先你需要提供一个文件夹,里面是所有你希望系统认识的人的图片。其中每个人一张图片,图片以人的名字命名:

known_people 文件夹下有 babe、成龙、容祖儿的照片

2、 接下来,你需要准备另一个文件夹,里面是你要识别的图片:

unknown_pic 文件夹下是要识别的图片,其中韩红是机器不认识的

3、 然后你就可以运行 face_recognition 命令了,把刚刚准备的两个文件夹作为参数传入,命令就会返回需要识别的图片中都出现了谁:

识别成功!!!

示例二(识别图片中的所有人脸并显示出来):

# filename : find_faces_in_picture.py# -*- coding: utf-8 -*-# 导入pil模块 ,可用命令安装 apt-get install python-Imagingfrom PIL import Image# 导入face_recogntion模块,可用命令安装 pip install face_recognitionimport face_recognition# 将jpg文件加载到numpy 数组中image = face_recognition.load_image_file("/opt/face/unknown_pic/all_star.jpg")# 使用默认的给予HOG模型查找图像中所有人脸# 这个方法已经相当准确了,但还是不如CNN模型那么准确,因为没有使用GPU加速# 另请参见: find_faces_in_picture_cnn.pyface_locations = face_recognition.face_locations(image)# 使用CNN模型# face_locations = face_recognition.face_locations(image, number_of_times_to_upsample=0, model="cnn")# 打印:我从图片中找到了 多少 张人脸print("I found {} face(s) in this photograph.".format(len(face_locations)))# 循环找到的所有人脸for face_location in face_locations:        # 打印每张脸的位置信息        top, right, bottom, left = face_location        print("A face is located at pixel location Top: {}, Left: {}, Bottom: {}, Right: {}".format(top, left, bottom, right))        # 指定人脸的位置信息,然后显示人脸图片        face_image = image[top:bottom, left:right]        pil_image = Image.fromarray(face_image)        pil_image.show()

用于识别的图片

# 执行python文件$ python find_faces_in_picture.py

从图片中识别出 7 张人脸,并显示出来

示例三(自动识别人脸特征):

# filename : find_facial_features_in_picture.py# -*- coding: utf-8 -*-# 导入pil模块 ,可用命令安装 apt-get install python-Imagingfrom PIL import Image, ImageDraw# 导入face_recogntion模块,可用命令安装 pip install face_recognitionimport face_recognition# 将jpg文件加载到numpy 数组中image = face_recognition.load_image_file("biden.jpg")#查找图像中所有面部的所有面部特征face_landmarks_list = face_recognition.face_landmarks(image)print("I found {} face(s) in this photograph.".format(len(face_landmarks_list)))for face_landmarks in face_landmarks_list:   #打印此图像中每个面部特征的位置    facial_features = [        'chin',        'left_eyebrow',        'right_eyebrow',        'nose_bridge',        'nose_tip',        'left_eye',        'right_eye',        'top_lip',        'bottom_lip'    ]    for facial_feature in facial_features:        print("The {} in this face has the following points: {}".format(facial_feature, face_landmarks[facial_feature]))   #让我们在图像中描绘出每个人脸特征!    pil_image = Image.fromarray(image)    d = ImageDraw.Draw(pil_image)    for facial_feature in facial_features:        d.line(face_landmarks[facial_feature], width=5)    pil_image.show()

自动识别出人脸特征

示例四(识别人脸鉴定是哪个人):

# filename : recognize_faces_in_pictures.py# -*- conding: utf-8 -*-# 导入face_recogntion模块,可用命令安装 pip install face_recognitionimport face_recognition#将jpg文件加载到numpy数组中babe_image = face_recognition.load_image_file("/opt/face/known_people/babe.jpeg")Rong_zhu_er_image = face_recognition.load_image_file("/opt/face/known_people/Rong zhu er.jpg")unknown_image = face_recognition.load_image_file("/opt/face/unknown_pic/babe2.jpg")#获取每个图像文件中每个面部的面部编码#由于每个图像中可能有多个面,所以返回一个编码列表。#但是由于我知道每个图像只有一个脸,我只关心每个图像中的第一个编码,所以我取索引0。babe_face_encoding = face_recognition.face_encodings(babe_image)[0]Rong_zhu_er_face_encoding = face_recognition.face_encodings(Rong_zhu_er_image)[0]unknown_face_encoding = face_recognition.face_encodings(unknown_image)[0]known_faces = [    babe_face_encoding,    Rong_zhu_er_face_encoding]#结果是True/false的数组,未知面孔known_faces阵列中的任何人相匹配的结果results = face_recognition.compare_faces(known_faces, unknown_face_encoding)print("这个未知面孔是 Babe 吗? {}".format(results[0]))print("这个未知面孔是 容祖儿 吗? {}".format(results[1]))print("这个未知面孔是 我们从未见过的新面孔吗? {}".format(not True in results))

显示结果如图

示例五(识别人脸特征并美颜):

# filename : digital_makeup.py# -*- coding: utf-8 -*-# 导入pil模块 ,可用命令安装 apt-get install python-Imagingfrom PIL import Image, ImageDraw# 导入face_recogntion模块,可用命令安装 pip install face_recognitionimport face_recognition#将jpg文件加载到numpy数组中image = face_recognition.load_image_file("biden.jpg")#查找图像中所有面部的所有面部特征face_landmarks_list = face_recognition.face_landmarks(image)for face_landmarks in face_landmarks_list:    pil_image = Image.fromarray(image)    d = ImageDraw.Draw(pil_image, 'RGBA')    #让眉毛变成了一场噩梦    d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))    d.polygon(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 128))    d.line(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 150), width=5)    d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5)    #光泽的嘴唇    d.polygon(face_landmarks['top_lip'], fill=(150, 0, 0, 128))    d.polygon(face_landmarks['bottom_lip'], fill=(150, 0, 0, 128))    d.line(face_landmarks['top_lip'], fill=(150, 0, 0, 64), width=8)    d.line(face_landmarks['bottom_lip'], fill=(150, 0, 0, 64), width=8)    #闪耀眼睛    d.polygon(face_landmarks['left_eye'], fill=(255, 255, 255, 30))    d.polygon(face_landmarks['right_eye'], fill=(255, 255, 255, 30))    #涂一些眼线    d.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(0, 0, 0, 110), width=6)    d.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(0, 0, 0, 110), width=6)    pil_image.show()

美颜前后对比


原文发布于微信公众号 - 马哥Linux运维(magedu-Linux)

原文发表时间:2017-11-01

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏华章科技

不会用Photoshop抠图?Python助你一键“除”人!

导读:看过英剧《黑镜》吗?圣诞特别版《白色圣诞节》中有这样一个场景:其中一个未来科技有自由屏蔽人像的功能,可以让你屏蔽任何一个不想看见或不喜欢的人,然后留下的是...

36210
来自专栏梦里茶室

毫秒级检测!你见过带GPU的树莓派吗?

树莓派3B+英特尔神经计算棒进行高速目标检测 转载请注明作者梦里茶 ? 代码: 训练数据预处理: https://gist.github.com/ahan...

4.8K80
来自专栏CreateAMind

开源|MultiNet模型解决Kitti数据集自动驾驶中的道路分割、车辆检测和街道分类(附源代码)

MultiNet能够同时完成道路分割、汽车检测和道路分类的任务。MultiNet模型的实时存档速度和分割性能都处于最先进水平。详细的模型描述请查阅我们的论文。

32230
来自专栏磨磨谈

ceph 的crush算法 straw

很多年以前,Sage 在写CRUSH的原始算法的时候,写了不同的Bucket类型,可以选择不同的伪随机选择算法,大部分的模型是基于RJ Honicky写的RUS...

32920
来自专栏ATYUN订阅号

Machine Box创始人教你快速建立一个ML图像分类器

AiTechYun 编辑:Yining Machine Box的创始人Mat Ryer在medium上分享了一篇博文,意在教你在硬盘上快速的建立一个机器学习图像...

37060
来自专栏小詹同学

人脸识别(三)——源码放送

人脸识别相关的基本原理和流程,以及各个步骤的介绍和代码前两篇都有介绍,其实可以通过前两篇自行整合出完整的人脸识别源码,并且适当修改可以实现MFC程...

59680
来自专栏生信技能树

hpv病毒基因研究调研

2015年有一篇文献中提到了hpv的研究现状 As of May 30, 2015, 201 different HPV types had been comp...

35450
来自专栏书山有路勤为径

Tensorflow训练网络出现了loss = NAN解决方案

注:内容来源与网络 最近用Tensorflow训练网络,在增加层数和节点之后,出现loss = NAN的情况,在网上搜寻了很多答案,最终解决了问题,在这里汇总...

20510
来自专栏kangvcar

手把手教你用1行代码实现人脸识别 -- Python Face_recognition

17630
来自专栏marsggbo

Udacity并行计算课程笔记-The GPU Programming Model

一、传统的提高计算速度的方法 faster clocks (设置更快的时钟) more work over per clock cycle(每个时钟周期做更多的...

28270

扫码关注云+社区

领取腾讯云代金券