神技能!在上司靠近座位时,用人脸识别技术及时屏幕切换

访问flyai.club,一键创建你的人工智能项目

所以,为了防止老板看到我开小差,我创建了一个系统,自动识别他的脸并切换屏幕伪装成工作的样子。深度学习使你能够在老板接近时隐藏屏幕!

具体来说,用 Keras 实现神经网络,认出他的脸,用网络摄像头识别他在接近,然后自动切换屏幕。

任 务

任务是当老板接近,自动切换屏幕,具体情况如下:

老板据我 6 ~ 7 米,他离开座位后,4 ~ 5 秒就能到达我的位置,所以我没有什么反应时间来人工切换。

战 术

我的战术是「跟踪」。

1. 计算机通过深度学习记住老板的脸

2. 网络摄像机捕捉到他脸

3. 电脑瞬间切换屏幕

Boss Sensor

完美,个人称这个系统为【Boss 反侦察系统】

系统架构

Boss 反侦察系统的简单系统架构:

具体如下

· 网络摄像头实施捕捉影像

· 学习模型侦测,识别捕捉的影像

· 发现 Boss 来了,实现切换屏幕

实现以上的操作需要如下技术:

· 面部图像抓取

· 图像识别

· 切换屏幕

面部图像抓取

为了抓取图像,我搞了个网络摄像机。

我们通过网络摄像机获取图像,由于我们是用来面部识别的,所以只需要截取脸部这个范围即可。我使用 Python 和 OpenCV 来拍摄脸部图像,代码在下方哦!别心急!

BossSensor/camera_reader.py

我获得了比我预期更清楚的图片。

认识 Boss 的脸

接下来,我们使用机器学习,使计算机能够识别老板的脸。我们需要以下三个步骤:

· 收集图像

· 预处理图像

· 构建机器学习模型

让我们一一看看这些怎么实现

收集图像

我要收集 Boss 各种各样的面部图像,我采取三个方法:

· Google 图片

· Facebook 上 Boss 的图片

· 视频截图

但是图片还是太少,样本不够,所以我就用我的网络摄像头盯着老板拍摄,然后截图,得到了足够多的,不同角度的图片。

预处理图像

搞到了好多的图片,用 ImageMagick 可以很轻松的截取头部图片。以下是我的收集:

也许我是世上拥有老板面孔照片最多的人,比他妈还多。

下面要开始让机器学习了。

构建机器学习模型

Keras 用于建立卷积神经网络(CNN)并让 CNN 受训。

TensorFlow 用于 Keras 的后端。如果你只识别面部,你可以调用 Web API 进行图像识别,如 Cognitive Services 中的 Computer Vision API,但是这次我决定自己实现实时性。

网络具有以下架构。Keras很方便,因为它可以轻松地输出架构。

以下是代码

__________________________________________________________________________________________________Layer (type) Output Shape Param # Connected to ====================================================================================================convolution2d_1 (Convolution2D) (None, 32, 64, 64) 896 convolution2d_input_1[0][0] ____________________________________________________________________________________________________activation_1 (Activation) (None, 32, 64, 64) 0 convolution2d_1[0][0] ____________________________________________________________________________________________________convolution2d_2 (Convolution2D) (None, 32, 62, 62) 9248 activation_1[0][0] ____________________________________________________________________________________________________activation_2 (Activation) (None, 32, 62, 62) 0 convolution2d_2[0][0] ____________________________________________________________________________________________________maxpooling2d_1 (MaxPooling2D) (None, 32, 31, 31) 0 activation_2[0][0] ____________________________________________________________________________________________________dropout_1 (Dropout) (None, 32, 31, 31) 0 maxpooling2d_1[0][0] ____________________________________________________________________________________________________convolution2d_3 (Convolution2D) (None, 64, 31, 31) 18496 dropout_1[0][0] ____________________________________________________________________________________________________activation_3 (Activation) (None, 64, 31, 31) 0 convolution2d_3[0][0] ____________________________________________________________________________________________________convolution2d_4 (Convolution2D) (None, 64, 29, 29) 36928 activation_3[0][0] ____________________________________________________________________________________________________activation_4 (Activation) (None, 64, 29, 29) 0 convolution2d_4[0][0] ____________________________________________________________________________________________________maxpooling2d_2 (MaxPooling2D) (None, 64, 14, 14) 0 activation_4[0][0] ____________________________________________________________________________________________________dropout_2 (Dropout) (None, 64, 14, 14) 0 maxpooling2d_2[0][0] ____________________________________________________________________________________________________flatten_1 (Flatten) (None, 12544) 0 dropout_2[0][0] ____________________________________________________________________________________________________dense_1 (Dense) (None, 512) 6423040 flatten_1[0][0] ____________________________________________________________________________________________________activation_5 (Activation) (None, 512) 0 dense_1[0][0] ____________________________________________________________________________________________________dropout_3 (Dropout) (None, 512) 0 activation_5[0][0] ____________________________________________________________________________________________________dense_2 (Dense) (None, 2) 1026 dropout_3[0][0] ____________________________________________________________________________________________________activation_6 (Activation) (None, 2) 0 dense_2[0][0] ====================================================================================================Total params: 6489634

源码在此奉上:

· BossSensor/boss_train.py

到目前为止,我的计算机已经可以认出老板了。

切换屏幕

现在,学习模型已经能够识别老板的脸了,接下来就要切换屏幕了。

这时候,我们要假装在工作。作为一个程序员,我截了张图:

我只是切换屏幕,显示图片。我用 PyQt 把图片全屏化

现在,万事俱备,只差老板了。

最终产品

一旦我们整合已经验证的技术,我们就完成了。我真的对老板试过了。ԅ(¯﹃¯ԅ)

我老板从他的座位上起身往我这边走:OpenCV 已经检测到面部并将图像输入到学习模型中。

然后我的屏幕瞬间切换,成功!(*ノ´`)ノ

你可以下载到全部「Boss 反侦查系统的源码」

BossSensor

(https://github.com/Hironsan/BossSensor)

总 结

这个项目,我结合了从 Web 相机的实时图像采集和面部识别,到使用 Keras 识别我的老板和切换屏幕。

目前,我用 OpenCV 检测面部,但由于 OpenCV 中的面部检测的准确性似乎不太好,我想尝试使用 Dlib 来提高准确性。

— End —

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180512A09ZTO00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券