[face_recognition中文文档] 第1节 人脸识别

Face Recognition人脸识别库

这是世界上最简单的人脸识别库了。你可以通过Python引用或者命令行的形式使用它,来管理和识别人脸。 该软件包使用dlib中最先进的人脸识别深度学习算法,使得识别准确率在《Labled Faces in the world》测试基准下达到了99.38%。 它同时提供了一个叫face_recognition的命令行工具,以便你可以用命令行对一个文件夹中的图片进行识别操作。

特征

在图片中识别人脸

找到图片中所有的人脸:

123

import face_recognitionimage=face_recognition.load_image_file("your_file.jpg")face_locations=face_recognition.face_locations(image)

找到并操作图片中的脸部特征

获得图片中人类眼睛、鼻子、嘴、下巴的位置和轮廓:

123

import face_recognitionimage = face_recognition.load_image_file("your_file.jpg")face_landmarks_list = face_recognition.face_landmarks(image)

找到脸部特征有很多超级有用的应用场景,当然你也可以把它用在最显而易见的功能上:美颜功能 就像美图秀秀那样

鉴定图片中的脸

识别图片中的人是谁

123456

import face_recognitionknown_image=face_recognition.load_image_file("biden.jpg")unknown_image=face_recognition.load_image_file("unknown.jpg")biden_encoding=face_recognition.face_encodings(known_image)[0]unknown_encoding=face_recognition.face_encodings(unknown_image)[0]results=face_recognition.compare_faces([biden_encoding],unknown_encoding)

你甚至可以用这个软件包做人脸的实时识别:

这里有一个实时识别的例子

安装

环境要求:

  • Python3.3+或者Python2.7
  • MacOS或者Linux(Windows不做支持,但是你可以试试,也许也能运行)

安装步骤

在Mac或Linux上安装

首先,确保你安装了dlib,以及该软件的Python绑定接口。如果没有的话,看这篇安装说明:

然后,使用pip3(Python 2的pip2)从pypi安装此模块:

1

pip3 install face_recognition

如果你安装遇到问题,可以试试这个安装好了的虚拟机

在树莓派2+上安装

在Windows上安装

虽然Windows不是官方支持的,但是有热心网友写出了一个Windows上的使用指南,请看这里:

使用已经配置好的虚拟机(支持VMWare和VirtualBox)

使用方法

命令行界面

如果你已经安装了face_recognition,那么你的系统中已经有了一个名为face_recognition的命令,你可以使用它对图片进行识别,或者对一个文件夹中的所有图片进行识别。 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:

接下来,你需要准备另一个文件夹,里面是你要识别的图片:

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:

1234

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures//unknown_pictures/unknown.jpg,Barack Obama/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person

输出中,识别到的每张脸都单独占一行,输出格式为<图片名称>,<人名>。 unknown_person 是一个与你的文件夹的已知人图像不匹配的人物。

调整公差/灵敏度

如果你正在为同一个人获得多个比较,那可能就是这样您的照片中的人看起来非常相似,容差值较低需要使脸部比较更严格。 你可以用--tolerance参数来做到这一点。默认容差值为0.6,较低的数字使脸部比较更严格:

1234

$ face_recognition --tolerance 0.54 ./pictures_of_people_i_know/ ./unknown_pictures//unknown_pictures/unknown.jpg,Barack Obama/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person

如果要按顺序查看每次计算出的面距要调整公差设置,可以使用:--show-distancetrue

1234

$ face_recognition --show-distance true ./pictures_of_people_i_know/ ./unknown_pictures//unknown_pictures/unknown.jpg,Barack Obama,0.378542298956785/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person,None

更多例子

如果你只想知道每张照片中的人的名字,但不要关心文件名,你可以这样做:

1234

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/ | cut -d ',' -f2Barack Obamaunknown_person

加快人脸识别

如果您有多个CPU内核的电脑,则可以并行完成脸部识别。例如,如果您的系统有4个CPU内核,您可以通过使用在相同的时间量内所有的CPU内核并行处理约4倍的图像。 如果您使用的是Python 3.4或更新版本,请传入参数:--cpus <number_of_cpu_cores_to_use> parameter:

1

$ face_recognition --cpus 4 ./pictures_of_people_i_know/ ./unknown_pictures/

您还可以传入使用系统中的所有CPU内核。–cpus-1

Python模块

你可以通过导入face_recognition模块来使用它,使用方式超级简单,文档在这里API文件

自动找到图片中所有的脸

123456

import face_recognitionimage = face_recognition.load_image_file("my_picture.jpg")face_locations = face_recognition.face_locations(image)# face_locations is now an array listing the co-ordinates of each face!

看看这个例子自己实践一下,试试看。

你还可以自定义替换人类识别的深度学习模型。

注意:想获得比较好的性能的话,你可能需要GPU加速(使用英伟达的CUDA库)。所以编译的时候你也需要开启dlib的GPU加速选项。

123456

import face_recognitionimage = face_recognition.load_image_file("my_picture.jpg")face_locations = face_recognition.face_locations(image, model="cnn")# face_locations is now an array listing the co-ordinates of each face!

你也可以通过这个例子实践一下,试试看。

如果你有很多图片和GPU,你也可以并行快速识别,看这篇文章

自动识别人脸特征

1234567

import face_recognitionimage = face_recognition.load_image_file("my_picture.jpg")face_landmarks_list = face_recognition.face_landmarks(image)# face_landmarks_list is now an array with the locations of each facial feature in each face.# face_landmarks_list[0]['left_eye'] would be the location and outline of the first person's left eye.

试试这个例子,试试看。

识别人脸鉴定是哪个人

123456789101112131415161718

import face_recognitionpicture_of_me = face_recognition.load_image_file("me.jpg")my_face_encoding = face_recognition.face_encodings(picture_of_me)[0]# my_face_encoding now contains a universal 'encoding' of my facial features that can be compared to any other picture of a face!unknown_picture = face_recognition.load_image_file("unknown.jpg")unknown_face_encoding = face_recognition.face_encodings(unknown_picture)[0]# Now we can see the two face encodings are of the same person with `compare_faces`!results = face_recognition.compare_faces([my_face_encoding], unknown_face_encoding)if results[0] == True: print("It's a picture of me!")else: print("It's not a picture of me!")

这里是一个例子,试试看。

Python代码示例

所有的例子都在这里

人脸检测

面部特征

面部识别

人脸识别如何运作

如果你想了解脸部位置和识别如何工作,而不是取决于黑匣子库,请阅读我的文章

注意事项

  • 面部识别模型是针对成年人进行培训的,对儿童的工作效果不佳。它倾向于使用默认比较阈值0.6来混合孩子很容易。

部署到云端主机(Heroku,AWS等)

由于face_recognition取决于使用dlibC ++编写的内容,将其用于云端托管服务商,如Heroku或AWS 部署应用程序可能很棘手。 为了使事情更容易,这个repo中有一个Dockerfile示例,显示如何在Docker容器中运行一个构建的应用程序face_recognition。因此,您应该可以部署支持Docker图像的任何服务。

常见问题

问题:使用face_recognition或运行示例时出现 Illegal instruction(coredumped)

解决方案:dlib使用SSE4或AVX进行编译,但您的CPU太旧,不支持。 您需要更改dlib代码后重新编译这里概述代码更改

问题:运行摄像头示例时出现RuntimeError: Unsupported image type, must be 8bit gray or RGB image.

解决方案:您的网络摄像机可能未正确使用OpenCV设置。在这里寻找更多帮助。 问题:运行pip2 install face_recognition时出现MemoryError

解决方案:face_recognition_models文件对于可用的缓存内存来说太大了。尝试使用以下方法pip2 --no-cache-dir install face_recognition来尽量避免这个问题。

问题:AttributeError: 'module' object has no attribute 'face_recognition_model_v1'

解决方案:dlib您安装的版本太旧了。您需要19.7或更新版本。升级dlib

问题:AttributeError: 'Module' object has no attribute 'cnn_face_detection_model_v1'

解决方案:dlib您安装的版本太旧了。您需要19.7或更新版本。升级dlib

问题:TypeError: imread() got an unexpected keyword argument 'mode'

解决方案:scipy您安装的版本太旧了。您需要版本0.17或更新版本。升级scipy

谢谢

  • 非常感谢戴维斯·金@nulhom)创建dlib并提供训练有素的面部特征检测和此库中使用的脸部编码模型。有关ResNet上有关面部编码的更多信息,请查看他的博文
  • 感谢所有在Python数据科学图书馆工作的所有人,如data,scipy,scikit-image,pillow等,使得这种东西在Python中如此简单而有趣。
  • 感谢Cookiecutteraudreyr / cookiecutter-pypackage项目模板,使Python项目打包方式更有效率。

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WOLFRAM

Mathematica 11.2 中文版现已发布!

1463
来自专栏ATYUN订阅号

OpenAI-人工反馈的深度学习

rl-teacher是“Deep Reinforcement Learning from Human Preferences”的实现。 这个系统允许你教一个强化...

4006
来自专栏人工智能头条

你们都用 Python 做人脸识别,我就偏要用 Go!

做人脸识别用 Python 比较多,但是今天碰上一个另类,他就跟别人不一样,就不用 Python 用 Go。其实不管是 P 还是 G,能认出脸来就是好样的。

2242
来自专栏玩转全栈

机器学习-开门篇之数据获取(一)

机器学习的流程大概分为六个步骤:获取数据,检查数据合理,数据清洗,建模,评估模型,部署。

4906
来自专栏FreeBuf

大话蜜罐日志分析

*本文原创作者:Leon不会玩QEMU,属Freebuf原创奖励计划,未经许可禁止转载 0×00 前言 在部署蜜罐之后,会产生大量的日志,对于威胁情报而言,我们...

3759
来自专栏机器之心

资源 | Facebook开源人工智能框架ParlAI:可轻松训练评估对话模型

选自GitHub 机器之心编译 参与:吴攀、晏奇 Facebook 近日在 GitHub 上开源了一个可用于在多种开放可用的对话数据集上训练和评估人工智能模型...

3328
来自专栏人工智能头条

图解TensorFlow架构与设计

8786
来自专栏瓜大三哥

VS2详细设计(二)

DVIIN1_CLK为输入视频源的随路时钟,用于检测分辨率的时钟,行分辨率的检测从视频源的数据有效信号DVIIN1_DE的上升沿开始计数,直到DVIIN1_DE...

1103
来自专栏AI科技大本营的专栏

学术 | DeepMind最新研究:使用更简单的环境就能检测AI是否安全

随着人工智能系统在现实生活中变得通用和实用,确保系统的安全运行变得越来越重要。迄今为止,大部分技术人工智能安全研究都集中在,对不安全行为的性质和原因的理论学习上...

2795
来自专栏祝威廉

SQL脚本实现算法模型的训练,预测

搜索团队正好需要计算一些词汇的相似性,这个用Word2Vec是很方便的。于是我立马安排算法团队帮个忙弄下。但回头想想,因为这么点事,打断了算法手头的工作,这简直...

1032

扫码关注云+社区

领取腾讯云代金券