专栏首页机器学习算法与Python学习40行代码的人脸识别实践

40行代码的人脸识别实践

本文来自CSDN博客专家 ID:xingchenbingbuyu

今天我们就来看看如何在40行代码以内简单地实现人脸识别。

所用工具

Anaconda 2——Python 2 Dlib scikit-image

Dlib

对于今天要用到的主要工具,还是有必要多说几句的。Dlib是基于现代C++的一个跨平台通用的框架,作者非常勤奋,一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等,涉猎甚广。更重要的是,Dlib的文档非常完善,例子非常丰富。就像很多库一样,Dlib也提供了Python的接口,安装非常简单,用pip只需要一句即可:

1pip install dlib 

上面需要用到的scikit-image同样只是需要这么一句:

1pip install scikit-image 

注:如果用pip install dlib安装失败的话,那安装起来就比较麻烦了。错误提示很详细,按照错误提示一步步走就行了。

人脸识别

之所以用Dlib来实现人脸识别,是因为它已经替我们做好了绝大部分的工作,我们只需要去调用就行了。Dlib里面有人脸检测器,有训练好的人脸关键点检测器,也有训练好的人脸识别模型。今天我们主要目的是实现,而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。今天的例子既然代码不超过40行,其实是没啥难度的。有难度的东西都在源码和论文里。

首先先通过文件树看一下今天需要用到的东西:

准备了六个候选人的图片放在candidate-faces文件夹中,然后需要识别的人脸图片test.jpg。我们的工作就是要检测到test.jpg中的人脸,然后判断她到底是候选人中的谁。另外的girl-face-rec.py是我们的python脚本。shape_predictor_68_face_landmarks.dat是已经训练好的人脸关键点检测器。dlib_face_recognition_resnet_model_v1.dat是训练好的ResNet人脸识别模型。ResNet是何凯明在微软的时候提出的深度残差网络,获得了 ImageNet 2015 冠军,通过让网络对残差进行学习,在深度和精度上做到了比CNN 更加强大。

1. 前期准备

shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat都可以在这里找到。不能点击超链接的可以直接输入以下网址:http://dlib.net/files/

然后准备几个人的人脸图片作为候选人脸,最好是正脸。放到candidate-faces文件夹中。

本文这里准备的是六张图片,如下:

她们分别是

然后准备四张需要识别的人脸图像,其实一张就够了,这里只是要看看不同的情况:

可以看到前两张和候选文件中的本人看起来还是差别不小的,第三张是候选人中的原图,第四张图片微微侧脸,而且右侧有阴影。

2.识别流程

数据准备完毕,接下来就是代码了。识别的大致流程是这样的:

1先对候选人进行人脸检测、关键点提取、描述子生成后,把候选人描述子保存起来。
2然后对测试人脸进行人脸检测、关键点提取、描述子生成。
3最后求测试图像人脸描述子和候选人脸描述子之间的欧氏距离,距离最小者判定为同一个人。 

3.代码

代码不做过多解释,因为已经注释的非常完善了。以下是girl-face-rec.py

 1# -*- coding: UTF-8 -*-
 2import sys,os,dlib,glob,numpy
 3from skimage import io
 4if len(sys.argv) != 5:
 5    print "请检查参数是否正确"
 6    exit()
 7# 1.人脸关键点检测器
 8predictor_path = sys.argv[1]
 9# 2.人脸识别模型
10face_rec_model_path = sys.argv[2]
11# 3.候选人脸文件夹
12faces_folder_path = sys.argv[3]
13# 4.需识别的人脸
14img_path = sys.argv[4]
15# 1.加载正脸检测器
16detector = dlib.get_frontal_face_detector()
17# 2.加载人脸关键点检测器
18sp = dlib.shape_predictor(predictor_path)
19# 3. 加载人脸识别模型
20facerec = dlib.face_recognition_model_v1(face_rec_model_path)
21# win = dlib.image_window()
22# 候选人脸描述子list
23descriptors = []
24# 对文件夹下的每一个人脸进行:
25# 1.人脸检测
26# 2.关键点检测
27# 3.描述子提取
28for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):
29    print("Processing file: {}".format(f))
30    img = io.imread(f)
31    #win.clear_overlay()
32    #win.set_image(img)
33    # 1.人脸检测
34    dets = detector(img, 1)
35    print("Number of faces detected: {}".format(len(dets)))
36    for k, d in enumerate(dets):  
37    # 2.关键点检测
38    shape = sp(img, d)
39     # 画出人脸区域和和关键点
40        # win.clear_overlay()
41        # win.add_overlay(d)
42        # win.add_overlay(shape)
43        # 3.描述子提取,128D向量
44        face_descriptor = facerec.compute_face_descriptor(img, shape)
45        # 转换为numpy array
46        v = numpy.array(face_descriptor)  
47        descriptors.append(v)
48# 对需识别人脸进行同样处理
49# 提取描述子,不再注释
50img = io.imread(img_path)
51dets = detector(img, 1)
52dist = []
53for k, d in enumerate(dets):
54shape = sp(img, d)
55 face_descriptor = facerec.compute_face_descriptor(img, shape)
56 d_test = numpy.array(face_descriptor) 
57    # 计算欧式距离
58    for i in descriptors:
59        dist_ = numpy.linalg.norm(i-d_test)
60        dist.append(dist_)
61# 候选人名单
62candidate = [ Unknown1 , Unknown2 , Shishi , Unknown4 , Bingbing , Feifei ]
63# 候选人和距离组成一个dict
64c_d = dict(zip(candidate,dist))
65cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1])
66print "
67 The person is: ",cd_sorted[0][0]  
68dlib.hit_enter_to_continue()

4.运行结果

我们在.py所在的文件夹下打开命令行,运行如下命令

1python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg  

由于shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat名字实在太长,所以我把它们重命名为1.dat和2.dat。

运行结果如下:

1The person is Bingbing。 

记忆力不好的同学可以翻上去看看test1.jpg是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。

这里需要说明的是,前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人4。对比一下两张图片可以很容易发现混淆的原因。

机器毕竟不是人,机器的智能还需要人来提升。

有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张,然后对比和每个人距离的平均值之类的。全凭自己了。

本文分享自微信公众号 - 机器学习算法与Python学习(guodongwei1991)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-05-09

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。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Machine Learning -- 11种相似性度量方法(总结版)

    在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement),这时通常采用的方法就是计算样本间的“距离”(Distance)。...

    昱良
  • python: 函数详解

    def square(x): return x**2 >>> square <function square at 0x031AA230> >>> dir(sq...

    昱良
  • tweet情感分析流程

    关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第二 【Python】:排名第三 【算法】:排名第四 前言 自然语言处理(NLP)中一个很...

    昱良
  • 用40行Python代码 实践高大上的人脸识别

    很多人都认为人脸识别是一项非常难以实现的工作,看到名字就害怕,然后心怀忐忑到网上一搜,看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不...

    IT派
  • 40行代码的人脸识别实践

    来源:Python开发 ID:PythonPush 前言 很多人都认为人脸识别是一项非常难以实现的工作,看到名字就害怕,然后心怀忐忑到网上一搜,看到网上N页的...

    小小科
  • 40行代码的人脸识别实践

    本文来自CSDN博客专家 ID:xingchenbingbuyu 很多人都认为人脸识别是一项非常难以实现的工作,看到名字就害怕,然后心怀忐忑到网上一搜,看到网...

    顶级程序员
  • 40行代码的人脸识别实践

    很多人认为人脸识别是非常难以实现的工作,看到名字就害怕,看到网上N页的教程立马就放弃了。包括曾经的我自己。其实如果你不是非要深究其中的原理,只是要实现这一工作的...

    刘潇龙
  • PHP 数组相关函数

    本文列举了 PHP 数组相关函数。 数组长度 int count(mixed $var [, int $mode = COUNT_NORMAL]); 此函数也可...

    康怀帅
  • 四种CDC方案比较

    抽取处理需要重点考虑增量抽取,也被称为变化数据捕获,简称CDC。假设一个数据仓库系统,在每天夜里的业务低峰时间从操作型源系统抽取数据,那么增量抽取只需要过...

    用户1148526
  • virtualenv安装tensorflow

    如果你有两个项目,一个需要python2.7开发,一个需要python3.5开发,那么virtualenv是一个很好的选择。

    ke1th

扫码关注云+社区

领取腾讯云代金券