face_recognition人脸识别

face_recognition 介绍

  face_recognition   是一个非常流行的 Python 库，专门用于人脸识别任务。它基于 dlib 库和 HOG（Histogram of Oriented Gradients）特征以及深度学习模型，提供了简单易用的接口来进行人脸检测、面部特征点定位和人脸识别。  face_recognition   库由 Adam Geitgey 开发，旨在简化人脸识别任务，使其更加容易上手。

主要功能

人脸检测 ：

• • • • • - 检测图像中的人脸位置。
        • - 支持使用 HOG 特征或 CNN（卷积神经网络）进行人脸检测。

面部特征点定位 ：

• • • • • 检测人脸上的关键特征点（如眼睛、鼻子、嘴巴等）。

人脸识别 ：

• • • • • - 提取人脸的特征向量（128维），并用于比较不同人脸之间的相似度。
        • - 支持从图像或视频中识别特定的人脸。

它和opencv关系

  face_recognition   和 OpenCV 是两个独立的计算机视觉库，但它们在功能上有一些重叠，并且经常一起使用来完成复杂的视觉任务。下面简要介绍两者的联系：

联系

• • • • • 尽管   face_recognition   和 OpenCV 各有侧重，但在实际应用中，它们经常被组合起来使用，以发挥各自的优势：
        • -  图像预处理 ：通常情况下，我们会先使用 OpenCV 对图像进行预处理，比如调整大小、灰度化、去噪等。这些预处理步骤有助于提高后续人脸识别的准确率。
        • -  人脸检测与识别 ：预处理后的图像可以传递给   face_recognition   库来执行人脸检测和识别。  face_recognition   可以高效地完成这些任务，并返回人脸位置、面部特征点等信息。
        • -  结果可视化 ：最后，我们可以再次利用 OpenCV 来对识别结果进行可视化处理，例如在图像上画出人脸框、标注识别到的名字等。

人脸操作

检测人脸

face_recognition.face_locations(img, number_of_times_to_upsample=1, model='hog')

• • • • • 功能 ：检测图像中的人脸位置。
        • 参数
          • -   img  ：图像的 NumPy 数组。
          • -   number_of_times_to_upsample  ：图像上采样的次数，用于提高检测精度。
          • -   model  ：使用的模型，可以是   'hog'  （默认）或   'cnn'  。
        • 返回 ：
          • 一个列表，每个元素是一个   (top, right, bottom, left)   的元组，表示人脸的位置

例：
import face_recognition
import cv2
#加载图片
image = cv2.imread("../face_train_images/ldh.jpg")
#读取人脸位置
face_locations = face_recognition.face_locations(image)
print(face_locations)

for (top, right, bottom, left) in face_locations:
    # 画出人脸区域
    cv2.rectangle(image, (left, top), (right, bottom), (0, 255, 0), 2)
# 显示结果
cv2.imshow("Detected Faces", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

切割人脸

例：
import face_recognition
import cv2
#加载图片
image = cv2.imread("../face_train_images/ldh.jpg")
#读取人脸位置
face_locations = face_recognition.face_locations(image)
print(face_locations)

for (top, right, bottom, left) in face_locations:
    # 画出人脸区域
    cv2.rectangle(image, (left, top), (right, bottom), (0, 255, 0), 2)
    qg_image = image[top:bottom,left:right]
# 显示结果
cv2.imshow("Detected Faces", qg_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

提取人脸特征

  face_recognition.face_encodings(img, known_face_locations=None, num_jitters=1, model='small') 

• • • • • 功能
          • 提取图像中人脸的特征向量。
        • 参数
          • -   img  ：图像的 NumPy 数组。
          • -   known_face_locations  ：人脸位置的列表，如果为   None  ，则自动检测人脸位置。
          • -   num_jitters  ：对每个人脸进行多次编码以提高精度。
          • -   model  ：使用的模型，可以是   'small'   或   'large'  （默认）。
        • 返回 ：
          • 一个列表，每个元素是一个 128 维的特征向量。

例：
import face_recognition
import cv2
#加载图片
image = cv2.imread("../face_train_images/ldh.jpg")

#提取人脸特征码
face_encodings = face_recognition.face_encodings(image)[0]
print(face_encodings)

计算人脸的欧几里得距离

例：
import face_recognition
import cv2
import numpy as np
#加载图片
image1 = cv2.imread("../face_train_images/ldh.jpg")

#提取人脸特征码
face_encodings1 = face_recognition.face_encodings(image1)[0]

#加载图片
image2 = cv2.imread("../face_train_images/4.jpg")

#提取人脸特征码
face_encodings2 = face_recognition.face_encodings(image2)[0]

# 计算两个人脸编码之间的欧几里得距离。
distance = np.linalg.norm(face_encodings1 - face_encodings2)
print(distance)

*欧几里得距离*

• • • • • 欧几里得距离（Euclidean distance）是一种测量两个点之间直线距离的方式，常用于数学、物理学和计算机科学中的各种应用，包括机器学习中的数据点距离计算。它是基于欧几里得几何的概念，通常用于计算空间中两点之间的距离。
        • 应用
          • -  数据分析 : 欧几里得距离常用于计算数据点之间的距离，例如在聚类算法（如K均值聚类）中。
          • -  计算机视觉 : 在人脸识别等任务中，欧几里得距离用于计算特征向量之间的相似度。
          • -  优化 : 在路径规划和优化问题中，计算两点之间的欧几里得距离可以帮助寻找最短路径。
        • 欧几里得距离的意义
          • 1.  距离越小，相似度越高 ：
            •    -  特征向量相似 ：当欧几里得距离越小说明两个特征向量之间的差异越小，即这两个人脸在特征空间中很接近。因此，这两个图像可能是同一个人或者相似度很高。
            •    -  相同身份的概率大 ：在许多人脸识别系统中，如果计算出的距离小于某个设定的阈值，则系统会认为这两个面孔属于同一个人。
          • 2.  距离阈值 ：
            •    -  匹配判断 ：通常，系统会设置一个阈值来判断两个特征向量是否属于同一身份。如果计算出的距离小于这个阈值，则认为两张图片中的人脸是相同的；如果距离大于阈值，则认为是不同的身份。
            •    -  误识别率 ：设置的阈值会影响系统的误识别率（假阳性和假阴性率）。距离阈值的选择需要根据具体应用场景进行调整。

计算人脸匹配程度

face_recognition.compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)

• • • • • 功能
          • 比较已知人脸特征向量和待检测人脸特征向量，判断是否匹配。
        • 参数
          • - known_face_encodings  ：已知人脸特征向量的列表。
          • -   face_encoding_to_check  ：待检测的人脸特征向量。
          • -   tolerance  ：匹配的阈值，范围是 0.0 到 1.0，值越小表示匹配要求越高。
        • 返回
          • 一个布尔值列表，表示待检测人脸特征向量是否与已知人脸特征向量匹配

例：
import face_recognition
import cv2
#提取已知人脸图片
known_image = image1 = cv2.imread("../face_train_images/ldh.jpg")
#提取提取已知人脸图片的人脸特征码
face_encodings1 = face_recognition.face_encodings(known_image)[0]
#提取未知人脸图片
unknown_image  = image1 = cv2.imread("../face_train_images/1.jpg")
#提取未知人脸图片的人脸特征码
face_encodings2 = face_recognition.face_encodings(unknown_image)
#计算是否匹配
results = face_recognition.compare_faces([face_encodings1], face_encodings2[0],tolerance=0.5)
print(results)

• • • • • 提取提取已知人脸图片的人脸特征码要获取下标未0的数值
        • 提取未知人脸图片的人脸特征码不获取小标
        • 在计算匹配的时候传入到函数的参数，已知人脸图片的人脸特征码获取放入到列表中，未知获取下标未0

图片预处理

如果对图片进行:

import face_recognition
import cv2
import numpy as np
#加载图片
image1 = cv2.imread("../face_train_images/ldh.jpg")
# 使用 OpenCV 进行图像预处理
gray_image1 = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY)
#使用高斯滤波去除噪声
gs_img1 =cv2.GaussianBlur(gray_image1,(3,3),0)

image1 = cv2.cvtColor(gs_img1,cv2.COLOR_GRAY2BGR)
#读取人脸位置
face_locations1 = face_recognition.face_locations(image1)
#提取人脸特征码
face_encodings1 = face_recognition.face_encodings(image1)[0]

#加载图片
image2 = cv2.imread("../face_train_images/1.jpg")
# 使用 OpenCV 进行图像预处理
gray_image2 = cv2.cvtColor(image2, cv2.COLOR_BGR2GRAY)
#使用高斯滤波去除噪声
gs_img2 =cv2.GaussianBlur(gray_image2,(3,3),0)

image2 = cv2.cvtColor(gs_img2,cv2.COLOR_GRAY2BGR)
#读取人脸位置
face_locations2 = face_recognition.face_locations(image2)
#提取人脸特征码
face_encodings2 = face_recognition.face_encodings(image2)[0]

# 计算两个人脸编码之间的欧几里得距离。
distance = np.linalg.norm(face_encodings1 - face_encodings2)
print(distance)
#