人脸识别应用87-人脸识别—快手视频讲解
人脸识别应用88-Java调用—快手视频讲解
dlib人脸识别原理基于深度残差网络ResNet-34生成128维人脸特征向量，通过欧氏距离比对实现身份验证，其技术流程分为人脸检测、特征提取、编码比对三个阶段。
核心技术架构
人脸检测模块。
使用HOG（方向梯度直方图）或CNN（卷积神经网络）模型定位人脸区域，支持多角度检测。
输出人脸包围框坐标及置信度得分。
特征定位与分析。
通过预训练模型（如68点或5点关键点定位器）捕捉面部特征。
提取眼睛、鼻子、嘴巴等关键部位的几何关系作为初始特征。
深度学习特征编码。
采用ResNet-34网络提取高阶语义特征。
网络输出128维向量（Face Encoding），通过三元组训练实现：
选取同一人两张照片与不同人一张构建训练集。
优化网络使同一人向量间距＜0.6，不同人＞1.0。
本例包含两个python文件，face_save.py用于提取人脸128D特征数据并记录到csv存档文件中，face_reco.py用于识别人脸，输入图片，根据csv存档文件找出人脸对应姓名。
测试步骤：
1、每人收集多幅人脸图片，保存特定目录中，每人分配一个目录。
比如：personA目录，personB目录
运行face_save.py，输入目录名personA，姓名personA，计算personA的人脸128D特征向量。
再运行一次face_save.py记录personA的人脸128D特征向量。
2、运行face.reco.py，输入用户personA或personB的图片，系统根据存档的人脸特征数据，预测图片上人脸的姓名。
face_save.py
import dlib,os,glob,time
import cv2
from skimage import io
import csv
import pandas as pd
img_dir = input('Input image dir:')
person_name = input('Input person name:')
if img_dir is None or person_name is None:
print('请输入 img_dir & person_name')
exit()
feat_dir = os.path.join(os.getcwd(),'feat_dir')
if not os.path.exists(feat_dir):
os.makedirs(feat_dir)
predictor_path = "shape_predictor_68_face_landmarks.dat"
model_path = "dlib_face_recognition_resnet_model_v1.dat"
#加载Dlib模型
#人脸特征提取器
detector = dlib.get_frontal_face_detector()
#人脸关键点标记
predictor= dlib.shape_predictor(predictor_path)
#生成面部识别器
face_rec = dlib.face_recognition_model_v1(model_path)
#返回人脸图128D特征
#参数path_img为图片文件全路径名称
def get_128d_features(path_img):
img_rd = io.imread(path_img)
img_gray = cv2.cvtColor(img_rd, cv2.COLOR_BGR2RGB)
#获得人脸框位置的检测器
faces = detector(img_gray, 1)
if len(faces) != 0:
#获得人脸关键点检测器,predictor(img_gray, faces[0]) img_gray表示输入图片，faces[0]表示人脸框的位置信息
shape = predictor(img_gray, faces[0])
#用来计算某个图片的特征值,返回128D向量
face_descriptor = face_rec.compute_face_descriptor(img_gray, shape)
else:
face_descriptor = 0
print("there is no face")
return face_descriptor
#计算目录下所有图片人脸128D特征数据,并记录到csv文件
#参数feat_dir为保持每个人人脸特征csv文件所在目录
#参数img_path为目录名称,其下包含人脸图片
#参数csv_name为csv文件名称
def write_into_csv(feat_dir,img_path, csv_name):
dir_pics = os.listdir(img_path)
csv_name = feat_dir+'/'+csv_name
with open(csv_name, "w", newline="") as csvfile:
writer = csv.writer(csvfile)
for i in range(len(dir_pics)):
print("正在读的人脸图像：", img_path + "/" + dir_pics[i])
#计算人脸128D特征向量
features_128d = get_128d_features(img_path + "/" + dir_pics[i])
if features_128d == 0: #未检出到人脸跳过本次循环
i += 1
else:
writer.writerow(features_128d) #将人脸数据写入csv文件
#计算每个人脸特征数据的平均值
def computeMean(feature_path):
#设置csv文件标题行替位符,避免将第一行数据作为标题
head=[]
for i in range(128):
fe="feature_"+str(i+1)
head.append(fe)
rdata = pd.read_csv(feature_path,names=head)
#计算平均128D向量数据平均值
meanValue=rdata.mean()
return meanValue
if __name__ == "__main__":
#根据输入参数img_dir,遍历目录img_dir下所有人脸图片
#每张人脸图片计算128D向量数据并记录到csv文件
write_into_csv(feat_dir, img_dir, person_name+"_feat.csv")
#遍历每个人的人脸特征csv文件,计算平均值并记录到feature_all.csv文件
features=os.listdir(feat_dir)
with open("feature_all.csv", "w", newline="") as csvfile:
writer = csv.writer(csvfile)
for fea in features:
meanValue=computeMean(feat_dir+'/'+fea)
writer.writerow(meanValue)
face_reco.py
import dlib,os,glob,time
import cv2
from skimage import io
import csv
import pandas as pd
import numpy as np
img_name = input('Input image name:')
if img_name is None:
print('请输入 img_name')
exit()
predictor_path = "shape_predictor_68_face_landmarks.dat"
model_path = "dlib_face_recognition_resnet_model_v1.dat"
#加载Dlib模型
#人脸特征提取器
detector = dlib.get_frontal_face_detector()
#人脸关键点标记
predictor= dlib.shape_predictor(predictor_path)
#生成面部识别器
face_rec = dlib.face_recognition_model_v1(model_path)
#设置csv文件标题行替位符,避免将第一行数据作为标题
head = []
for i in range(128):
fe = "feature_" + str(i + 1)
head.append(fe)
face_path="feature_all.csv"
#读取所有人的人脸特征数据
face_feature=pd.read_csv(face_path,names=head)
face_feature_array=np.array(face_feature)
face_list=["Chandler","Joey","Monica"]
cv2.namedWindow("Face Recognition", cv2.WINDOW_KEEPRATIO)
cv2.resizeWindow("Face Recognition", 720,576)
#计算两个人的人脸特征数据的欧式距离
def compute_dst(feature_1,feature_2):
feature_1 = np.array(feature_1)
feature_2 = np.array(feature_2)
dist = np.linalg.norm(feature_1 - feature_2)
return dist
descriptors = []
faces = []
frame = cv2.imread(img_name) #根据图片文件获取图片数据
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
dets = detector(gray, 1) #获得人脸框位置的检测器
if len(dets) > 0:
for index, value in enumerate(dets):
#获得人脸关键点检测器,predictor(gray, value) gray表示输入图片，value表示人脸框的位置信息
shape = predictor(gray, value)
# 在图形窗口标记人脸
cv2.rectangle(frame, (value.left(), value.top()), (value.right(), value.bottom()), (0, 255, 0), 2)
#用来计算某个图片的特征值,返回128D向量
face_descriptor = face_rec.compute_face_descriptor(frame, shape)
v = np.array(face_descriptor)
faceLen = len(face_list)
flag = 0
for j in range(faceLen):
#比较输入图片人脸特征与csv文件保存的人脸数据比对
dis = compute_dst(v, face_feature_array[j])
#计算欧式距离距离,当距离小于0.56说明能够匹配到人脸
if (dis < 0.56):
flag = 1
#在图形窗口标注匹配人的姓名
cv2.putText(frame, face_list[j], (value.left(), value.top()), cv2.FONT_HERSHEY_COMPLEX, 0.8,
(0, 255, 255), 1, cv2.LINE_AA)
break
#如果未匹配到人脸,在图形窗口标注未知
if (flag == 0):
cv2.putText(frame, "Unknonw", (value.left(), value.top()), cv2.FONT_HERSHEY_COMPLEX, 0.8, (0, 255, 255), 1,
cv2.LINE_AA)
# 标记人脸关键点
for pti, pt in enumerate(shape.parts()):
pos = (pt.x, pt.y)
cv2.circle(frame, pos, 1, color=(0, 255, 0))
cv2.imshow("Face Recognition", frame) # 在窗口中显示
exitKey = cv2.waitKey()
if exitKey == 27:
cv2.destroyWindow("Face Recognition")
代码下载：通过网盘分享的文件：Dlib_face.zip
链接: https://pan.baidu.com/s/1U5Ge7wInKP7YD_W4CaO1MQ 提取码: jwp5
扫一扫
1504
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
