介紹

人臉識(shí)別不同于人臉檢測(cè)。在人臉檢測(cè)中，我們只檢測(cè)了人臉的位置，在人臉識(shí)別任務(wù)中，我們識(shí)別了人的身份。

在本文中，我們將在人臉識(shí)別庫(kù)的幫助下，使用python構(gòu)建一個(gè)人臉識(shí)別系統(tǒng)。

市場(chǎng)上有許多用于人臉識(shí)別的算法。這一計(jì)算機(jī)視覺挑戰(zhàn)是從視頻和圖片中檢測(cè)人臉。許多應(yīng)用程序可以構(gòu)建在識(shí)別系統(tǒng)之上。許多大公司出于安全和身份驗(yàn)證的目的而采用識(shí)別系統(tǒng)。

識(shí)別系統(tǒng)用例

人臉識(shí)別系統(tǒng)在現(xiàn)代得到廣泛應(yīng)用，許多新的創(chuàng)新系統(tǒng)都建立在識(shí)別系統(tǒng)之上。

有幾個(gè)用例：

尋找失蹤者識(shí)別社交媒體上的帳戶識(shí)別汽車中的駕駛員考勤系統(tǒng)

多種實(shí)現(xiàn)面部識(shí)別的算法取決于其性能和準(zhǔn)確性。

傳統(tǒng)人臉識(shí)別算法

傳統(tǒng)的人臉識(shí)別算法不符合現(xiàn)代人臉識(shí)別標(biāo)準(zhǔn)。它們旨在使用舊的傳統(tǒng)算法識(shí)別面部。

OpenCV 提供了一些傳統(tǒng)的面部識(shí)別算法。

這些方法在提取圖像信息和匹配輸入和輸出圖像的方式上有所不同。

LBPH 算法是一種簡(jiǎn)單但非常有效的方法，仍在使用中，但與現(xiàn)代算法相比速度較慢。

人臉識(shí)別深度學(xué)習(xí)

有多種基于深度學(xué)習(xí)的面部識(shí)別算法可供使用。

DeepFaceDeepID series of systemsFaceNetVGGFace

一般來(lái)說(shuō)，基于地標(biāo)的人臉識(shí)別器對(duì)人臉圖像進(jìn)行拍攝，并試圖找到眉毛、嘴角、眼睛、鼻子、嘴唇等基本特征點(diǎn)。有60多個(gè)地標(biāo)。

人臉識(shí)別涉及的步驟

1.人臉檢測(cè)：定位人臉，記下每個(gè)人臉定位的坐標(biāo)，并在每個(gè)人臉周圍繪制一個(gè)邊界框。

2.面部對(duì)齊。標(biāo)準(zhǔn)化人臉以獲得快速訓(xùn)練。

3.特征提取。從面部圖片中提取局部特征進(jìn)行訓(xùn)練，這一步由不同的算法執(zhí)行不同的操作。

4.人臉識(shí)別。將輸入人臉與我們數(shù)據(jù)集中的一個(gè)或多個(gè)已知人臉進(jìn)行匹配。

本文重點(diǎn)介紹使用庫(kù) face＿recognition 實(shí)現(xiàn)人臉識(shí)別，該庫(kù)基于深度學(xué)習(xí)技術(shù)，并承諾使用單個(gè)訓(xùn)練圖像的準(zhǔn)確率超過(guò) 96％。

執(zhí)行

使用python實(shí)現(xiàn)人臉識(shí)別系統(tǒng)。使用 face＿recognition 庫(kù)實(shí)現(xiàn)基于深度學(xué)習(xí)的人臉識(shí)別系統(tǒng)。

1． 設(shè)置人臉識(shí)別庫(kù)：

為了安裝人臉識(shí)別庫(kù)，我們需要先安裝dlib

· dlib：它是一個(gè)現(xiàn)代 C＋＋ 工具包，包含與機(jī)器學(xué)習(xí)相關(guān)的算法和工具。

＃ installing dlib

pip install dlib

· 安裝實(shí)際的人臉識(shí)別庫(kù)face recognition。

＃ installing face recognition

pip install face recognition

· Opencv用于一些圖像預(yù)處理

＃ installing opencv

pip install opencv

Note： Sometimes installing dlib throws error in that case install install the C＋＋ development toolkit using vs＿code community ．

導(dǎo)入庫(kù)

import cv2

import numpy as np

import face＿recognition

2． 加載圖片：

我們完成了庫(kù)的安裝和導(dǎo)入。是時(shí)候?qū)⒁恍┦纠龍D像加載到face＿recognition庫(kù)中了。

該face＿recognition庫(kù)僅支持 BGR 格式的圖像。在打印輸出圖像時(shí)，我們應(yīng)該使用 OpenCV 將其轉(zhuǎn)換為 RGB。

Face＿recognition僅加載 BGR 格式的圖像。

import cv2

import numpy as np

import face＿recognition

img＿bgr ＝ face＿recognition．load＿image＿file（＇student＿images／modi．jpg＇）

img＿rgb ＝ cv2．cvtColor（img＿bgr，cv2．COLOR＿BGR2RGB）

cv2．imshow（＇bgr＇， img＿bgr）

cv2．imshow（＇rgb＇， img＿rgb）

cv2．waitKey

輸出→ BGR 與 RGB

3．檢測(cè)和定位人臉：

face＿recognition庫(kù)可以自行快速定位人臉，我們不需要使用haar＿cascade或其他技術(shù)。

img＿modi＝face＿recognition．load＿image＿file（＇student＿images／modi．jpg＇）

img＿modi＿rgb ＝ cv2．cvtColor（img＿modi，cv2．COLOR＿BGR2RGB）

＃－－－－－－－－－ Detecting Face －－－－－－－

face ＝ face＿recognition．face＿locations（img＿modi＿rgb）［0］

copy ＝ img＿modi＿rgb．copy（）

＃ －－－－－－ Drawing bounding boxes around Faces－－－－－－－－－－－－－－－－－－－－－－－－

cv2．rectangle（copy， （face［3］， face［0］），（face［1］， face［2］）， （255，0，255）， 2）

cv2．imshow（＇copy＇， copy）

cv2．imshow（＇MODI＇，img＿modi＿rgb）

cv2．waitKey（0）

4． 樣本圖像識(shí)別：

該face＿recognition庫(kù)基于深度學(xué)習(xí)，它支持單次學(xué)習(xí)，這意味著它需要一張圖片來(lái)訓(xùn)練自己檢測(cè)一個(gè)人。

img＿modi ＝ face＿recognition．load＿image＿file（＇student＿images／modi．jpg＇）

img＿modi ＝ cv2．cvtColor（img＿modi，cv2．COLOR＿BGR2RGB）

＃－－－－－－to find the face location

face ＝ face＿recognition．face＿locations（img＿modi）［0］

＃－－Converting image into encodings

train＿encode ＝ face＿recognition．face＿encodings（img＿modi）［0］

＃－－－－－ lets test an image

test ＝ face＿recognition．load＿image＿file（＇student＿images／modi2．jpg＇）

test ＝ cv2．cvtColor（test， cv2．COLOR＿BGR2RGB）

test＿encode ＝ face＿recognition．face＿encodings（test）［0］

print（face＿recognition．compare＿faces（［train＿encode］，test＿encode））

cv2．rectangle（img＿modi， （face［3］， face［0］），（face［1］， face［2］）， （255，0，255）， 1）

cv2．imshow（＇img＿modi＇， img＿modi）

cv2．waitKey（0）

上面的代碼拍了兩張總理的照片，因?yàn)閮蓮堈掌�都是同一個(gè)人，所以它返回了true。

face＿recognition．face＿encodings（imgelon）［0］→返回傳遞圖像的編碼。

face＿recognition．compare＿faces（［train＿encode］，test＿encode） 獲取經(jīng)過(guò)訓(xùn)練的編碼列表和未知圖像的測(cè)試編碼。如果兩個(gè)測(cè)試編碼在訓(xùn)練編碼中匹配，則返回True ；否則，它會(huì)返回False．

了解人臉識(shí)別的工作原理

1.我們將人的照片和他們的名字傳遞給模型。

2.該模型拍攝每張照片，將它們轉(zhuǎn)換為某種數(shù)字編碼，并將它們存儲(chǔ)在一個(gè)列表中，并將所有標(biāo)簽（人名）存儲(chǔ)在另一個(gè)列表中。

3.在預(yù)測(cè)階段，當(dāng)我們傳遞未知人的圖片時(shí)，識(shí)別模型會(huì)將該人的圖像轉(zhuǎn)換為編碼。

4.在將未知人的圖像轉(zhuǎn)換為編碼后，它會(huì)嘗試根據(jù)距離參數(shù)找到最相似的編碼。與未知人的編碼距離最小的編碼將是最接近的匹配。

5.在獲得最接近的匹配編碼后，我們從該列表中獲取該編碼的索引并使用索引。我們找到檢測(cè)到的人的名字。

識(shí)別系統(tǒng)的挑戰(zhàn)

這些都是識(shí)別系統(tǒng)面臨的重大挑戰(zhàn)，需要解決。

· 姿勢(shì)：識(shí)別系統(tǒng)容易受到人體姿勢(shì)的影響。面部識(shí)別系統(tǒng)將無(wú)法預(yù)測(cè)該人的面部是否不可見。

· 照明：照明會(huì)極大地改變面部輪廓。用于人臉識(shí)別的照片應(yīng)在適當(dāng)?shù)恼彰鳁l件下拍攝。

· 面部表情：不同的面部表情會(huì)導(dǎo)致對(duì)同一個(gè)人的圖像的不同預(yù)測(cè)。

· 低分辨率：低分辨率圖片包含的信息較少，因此不適合人臉識(shí)別訓(xùn)練。

結(jié)論

本文討論了如何使用 python 和單次圖像訓(xùn)練技術(shù)實(shí)現(xiàn)人臉識(shí)別系統(tǒng)。你可以進(jìn)一步使用像 python Tkinter 這樣的 GUI 來(lái)設(shè)計(jì)基于 GUI 的考勤系統(tǒng)。我們看到了影響識(shí)別系統(tǒng)的各種挑戰(zhàn)以及如何解決這些挑戰(zhàn)。

       原文標(biāo)題 : 使用Python的人臉識(shí)別系統(tǒng)