头歌——机器、深度学习——人脸识别

第1关：人脸检测

在前面的几个实训中，我们已经学习了人脸识别的基本流程，包括人脸图像采集、人脸检测、特征点提取和人脸识别的整个流程。不仅了解了其中的原理，还学会了编写实际应用的代码。

本实训主要将介绍使用Face Recognition库进行人脸识别。因为Face Recognition是对Dlib的封装，所以其原理和我们前几个实训中，讲解的相同。在本实训中主要为大家讲解其基本使用方法。

为什么在学习完整个流程之后还要讲Face Recognition库呢？因为，在前面的实训中，我们主要使用Dlib库，它是一个在工业界和学术界广受好评，极其优秀的库。而Face Recognition基于Dlib库做了高度封装，当之无愧的称之为世界上最简洁的人脸识别库。

所以，我们学习完基础的原理以及Dlib库，就好比学会了“走路”；而Face Recognition库的高效与简洁，可以让我们彻底“跑起来”。

任务描述

本关任务：使用 face_recognition 中 face_locations 函数，定位人脸位置。

相关知识

在face recognition库中，人脸检测只需两步：

1. 读取照片；
2. 检测人脸。

也就是将模型选择之类的操作都封装，默认使用Dlib库中已经训练完成的模型。

例如，我们要识别以下图片中的人脸：

读取照片

在face rcognition中使用 load_image_file 函数读取图片：

load_image_file(file, mode='RGB')

其中，各个参数的含义如下：

file：带检测的图片文件路径；

mode：可选值，默认为RGB，也可以指定为L ，代表转化为灰度照片。

示例代码如下：

image = face_recognition.load_image_file("./images/Sheldon.jpg")

检测照片中人脸并返回人脸位置

我们使用face_locations函数检测人脸：

face_locations(img, number_of_times_to_upsample=1, model="hog")

其中，各个参数的含义如下：

• img：待检测的图片对象；

• number_of_times_to_upsample：可选值，为寻找人脸进行多少次图片变换，值越大，越能找到更小的人脸；

• model：可选值，默认使用hog模式, hog 模式在CPU上运行表现更好；如果有GPU加速，也可以指定为cnn模式。

示例代码如下：

face_locations = face_recognition.face_locations(image)

完整示例

一个简单的完整示例非常简洁，只需几行：

• # 加载face_recognition库
• import face_recognition
• # 读取照片
• image = face_recognition.load_image_file("./images/Sheldon.jpg")
• # 获取检测到的人脸位置
• face_locations = face_recognition.face_locations(image)
• # 打印人脸位置
• print(face_locations)

运行程序，输出如下：

[(171, 438, 439, 171)]

同之前所学的人脸检测输出一样，输出包含了人脸左上角的位置 (247, 718)， 以及人脸的宽度632，和人脸的高度332。

绘制人脸区域

我们同样可以使用之前学到的OpenCV绘制人脸区域，再前面识别的基础代码上，加上下面的绘制代码：

• import cv2
• for face_location in face_locations:
• top, right, bottom, left = face_location
• cv2.rectangle(image, (left, top), (right, bottom), (0, 255, 0), 2)
• # Show the picture
• image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
• cv2.imshow("sd.png", image_rgb)
• cv2.waitKey(0)

得到的绘制图片结果如下：

编程要求

根据提示，在右侧编辑器补充代码，检测图片中人脸并绘制：

• 获取指定路径中图片文件中的人脸，并打印输出结果；

• 使用cv2绘制人脸区域框。

第1关任务——代码题

'''****************BEGIN****************'''
import face_recognition
image_path = './step1/image/children.jpg'
image = face_recognition.load_image_file(image_path)
face_locations = face_recognition.face_locations(image)
print(face_locations)
'''**************** END ****************'''
 
import cv2
for face_location in face_locations:
    '''****************BEGIN****************'''
    top,right,bottom,left = face_location
    cv2.rectangle(image,(left,top),(right,bottom),(0,255,0),2)
    '''**************** END ****************'''
 
# 保存图片
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
cv2.imwrite("./step1/out/children.jpg", image_rgb)

第2关：人脸特征点获取

任务描述

本关任务：使用 face_recognition 中 face_landmarks 函数，获取人脸特征点。

相关知识

人脸特征点的提取，在face_recognition库中同样分为两步：

1. 读取照片；

2. 获取照片中人脸特征点。

假设我们要获取如下图片的特征点：

1. 读取照片

同样的，我们使用 load_image_file 函数读取照片，传入参数为照片文件路径，代码如下：

image = face_recognition.load_image_file("./images/face.jpg")

2. 获取照片中人脸特征点

可以使用face_landmarks函数，获取人脸中特征点：

face_landmarks(face_image, face_locations=None, model="large")

其中，各个参数含义如下：

• face_image：图片对象；

• face_locations：可选，默认为空，也可以指定要识别的人脸区域位置；

• model：可选，不指定时的默认值为 large，另一个值为 small。large 代表识别68个特征点，small 代表识别5个特征点。

例如：

face_landmarks_list = face_recognition.face_landmarks(image)

完整代码示例

完整的人脸特征点检测，代码同样十分简洁：

• # 导入face_recogni