Face Recognition库：Python人脸识别库使用教程

1. Face Recognition 库简介：

中文文档：
[face_recognition/README_Simplified_Chinese.md]

Face Recognition 库主要封装了dlib这一 C++ 图形库，通过 Python 语言将它封装为一个非常简单就可以实现人脸识别的 API 库，屏蔽了人脸识别的算法细节，大大降低了人脸识别功能的开发难度， face_recognition是基于dlib进行了二次封装，号称世界上最简洁的人脸识别库。

   （1）github地址：https://github.com/ageitgey/face_recognition

   （2）官方指南：face_recognition软件包 — 人脸识别 1.4.0 文档 (face-recognition.readthedocs.io)

2. Win10/Python3.6/Pycharm安装face_recognition人脸识别库步骤：

关于face_recognition包的安装,pycharm中并不包含，所以需要 下载  外部导入。

   (1) dlib的安装步骤：

   （1）首先电脑中需要安装Visual Studio

   dlib在Windows系统下的编译依赖于Visual C++，所以需要安装Visual Studio，为dlib的安装提供Visual C++编译器支持。

   （2）安装 cmake

pip install cmake

（3）安装dlib

   访问Links for dlib (pypi.org)，选择适合适的dlib版本的安装包进行下载，然后进行离线安装。

   在pycharm中启动python 命令行  ，输入：

pip install  D:\microsoft_down\dlib-19.24.0.tar.gz

（注意！！！下载下来的文件名是dlib-19.24.0.tar，实际上是一个压缩包，所以在安装时要加上压缩包后缀.gz）

   安装过程比较久，待界面上出现【Successfully installed dlib-19.24.0】提示时，dlib安装成功。

(2) 安装face_recognition_models

下载 face_recognition_models 0.3.0, 然后进行离线安装。

   在pycharm中启动python命令行，输入：

pip install  D:\microsoft_down\face_recognition_models-0.3.0.gz

待界面上出现【Successfully installed face_recognition_models-0.3.0】提示时，face_recognition_models安装成功。

   （3）安装face_recognition

   在pycharm中启动python命令行，输入：

python setup.py install

待界面上出现【Finished processing dependencies for face-recognition==1.4.0】提示时，face_recognition安装成功。

   ​

3. face_recognition库进行人脸识别的步骤：

1. 在图片中查找人脸

import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_locations = face_recognition.face_locations(image)

1. 查找和操作图片中的面部特征

获取每个人的眼睛，鼻子，嘴巴和下巴的位置和轮廓。

​import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)

1. 给脸部编码
   
       根据面部特征点计算这个面孔的特征值（特征向量）

   ​

import face_recognition  
known_image = face_recognition.load_image_file("biden.jpg") 
unknown_image = face_recognition.load_image_file("unknown.jpg") 
biden_encoding = face_recognition.face_encodings(known_image) 
unknown_encoding = face_recognition.face_encodings(unknown_image) 

1. 识别图片中的人脸

识别每张照片中出现的用户

​

results = face_recognition.compare_faces([biden_encoding], unknown_encoding)

4. face_recognition人脸识别库对应的 API 接口：

（1）face_recognition.api.batch_face_locations(图像，number_of_times_to_upsample=1，batch_size=128)

使用 cnn 人脸检测器返回图像中人脸边界框的 2d 数组 如果您使用的是 GPU，这可以为您提供更快的结果，因为 GPU 可以一次处理成批的图像。如果您没有使用GPU，则不需要此功能。

   参数：

   images – 图像列表（每个图像作为 numpy   数组）number_of_times_to_upsample - 对图像进行上采样以查找人脸的次数。数字越高，面孔越小。batch_size – 每个 GPU 处理批处理中要包含的图像数。

   返回：

   按 css 顺序（上、右、下、左）找到的人脸位置的元组列表

（2）face_recognition.api.compare_faces(known_face_encodings、face_encoding_to_check、公差=0.6)

将人脸编码列表与候选编码进行比较，以查看它们是否匹配。

   参数：

   known_face_encodings – 已知人脸编码列表face_encoding_to_check – 用于与列表进行比较的单人脸编码容差 – 脸之间的距离，以将其视为匹配项。越低越严格。0.6 是典型的最佳性能。

   返回：

   真/假值列表，指示哪些known_face_encodings与要检查的人脸编码匹配

（3）face_recognition.api.face_distance(face_encodings，face_to_compare)

给定人脸编码列表，将它们与已知人脸编码进行比较，并获取每个比较人脸的欧氏距离。距离告诉您人脸的相似程度。

   参数：

   face_encodings – 要比较的人脸编码列表face_to_compare – 要与之进行比较的人脸编码

   返回：

   一个 numpy ndarray，其每张面的距离与“面”数组的顺序相同

（4）face_recognition.api.face_encodings(face_image，known_face_locations=无，num_jitters=1，模型='小')

给定一个图像，返回图像中每个人脸的 128 维人脸编码。

   参数：

   face_image – 包含一张或多张人脸的图像known_face_locations - 可选 - 每张脸的边界框（如果您已经知道的话）。num_jitters – 计算编码时对人脸重新采样的次数。越高越准确，但越慢（即 100 表示慢 100 倍）模型 – 可选 - 要使用的模型。“大”或“小”（默认），仅返回5分但速度更快。

   返回：

   128 维人脸编码的列表（图像中每个人脸一个）

（5）face_recognition.api.face_landmarks(face_image，face_locations=无，模型='大')

给定图像，返回图像中每个人脸的人脸特征位置（眼睛、鼻子等）的字典

   参数：

   face_image – 要搜索的图像face_locations – （可选）提供要检查的人脸位置列表。模型 – 可选 - 要使用的模型。“大”（默认）或“小”，仅返回5分但速度更快。

   返回：

   人脸特征位置（眼睛、鼻子等）的字典列表

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

返回图像中人脸的边界框数组

   参数：

   img – 图像（作为数字数组）number_of_times_to_upsample - 对图像进行上采样以查找人脸的次数。数字越高，面孔越小。model – 要使用的人脸检测模型。“hog”在CPU上不太准确，但更快。“cnn”是一个更准确的深度学习模型，它是GPU / CUDA加速的（如果可用）。默认值为“hog”。

   返回：

   按 css 顺序（上、右、下、左）找到的人脸位置的元组列表

（7）face_recognition.api.load_image_file(文件，模式 ='RGB')

将图像文件（.jpg、.png等）加载到numpy数组中

   参数：

   文件 – 要加载的图像文件名或文件对象mode ―要将图像转换为的格式。仅支持“RGB”（8 位 RGB，3 个通道）和“L”（黑白）。

   返回：

   图像内容作为数字数组

5. face_recognition人脸识别库使用示例代码：

import face_recognition
import cv2


def show_landmarks(img, landmarks):
    for landmarks_dict in landmarks:
        for landmarks_key in landmarks_dict.keys():
            for point in landmarks_dict[landmarks_key]:
                cv2.circle(img, point, 2, (0, 0, 255), -1)
    cv2.imshow('img_landmarks', img)


def show_locations(img, locations):
    for face_location in locations:
        # Print the location of each face in this image
        top, right, bottom, left = face_location
        print("A face is located at pixel location Top: {}, Left: {}, Bottom: {}, Right: {}".format(top, left, bottom, right))
        start = (left, top)  # 左上
        end = (right, bottom)  # 右下
        # 在图片上绘制矩形框，从start坐标开始，end坐标结束，矩形框的颜色为红色(0,255,255),矩形框粗细为2
        cv2.rectangle(img, start, end, (0, 255, 255), thickness=1)
    cv2.imshow('img_locations', img)

# 1.读取图片
# 将图像文件（.jpg、.png等）加载到numpy数组中
image_origin = face_recognition.load_image_file("obama.jpg")
# cv2.imshow('image_origin', image_origin)  # 原始图片展示 BGR 格式

# 2.格式转换
# 该face_recognition库仅支持 BGR 格式的图像,在打印输出图像时，我们应该使用 OpenCV 将其转换为 RGB。
img_rgb = cv2.cvtColor(image_origin, cv2.COLOR_BGR2RGB)
cv2.imshow('img_rgb', img_rgb)  # 展示 RGB 格式图片

img_copy = img_rgb.copy()  # 避免形参对实参的影响

# 3.通过face_recognition.face_landmarks()方法读取人脸关键点
# 返回人脸特征位置（眼睛、鼻子等）的字典列表
face_landmarks_list = face_recognition.face_landmarks(img_rgb)

# show_landmarks(img_copy, face_landmarks_list)  # 在人脸上绘制关键点进行展示

# 4.通过face_recognition.face_locations()方法获得人脸边框
# 返回图像中人脸的边界框数组 按 css 顺序（上、右、下、左）找到的人脸位置的元组列表
face_locations = face_recognition.face_locations(img_rgb)
print("I found {} face(s) in this photograph.".format(len(face_locations)))

# show_locations(img_copy, face_locations)

# 5.通过face_recognition.face_encodings()方法获得人脸编码
# 给定一个图像，返回图像中每个人脸的 128 维人脸编码。
list_of_face_encodings = face_recognition.face_encodings(img_rgb, known_face_locations=face_locations)


# 6.通过face_recognition.api.compare_faces()方法获得人脸匹配结果
# 将人脸编码列表与候选编码进行比较，以查看它们是否匹配
# (known_face_encodings、face_encoding_to_check、公差=0.6)
test = face_recognition.load_image_file('biden.jpg')
test = cv2.cvtColor(test, cv2.COLOR_BGR2RGB)
cv2.imshow('test', test)

test_encode = face_recognition.face_encodings(test)[0]
print(face_recognition.compare_faces([list_of_face_encodings], test_encode))  # 获取经过训练的编码列表和未知图像的测试编码。

# 7.通过face_recognition.face_distance()方法获取每个比较人脸的欧氏距离
# 给定人脸编码列表，将它们与已知人脸编码进行比较，并获取每个比较人脸的欧氏距离。距离告诉您人脸的相似程度。距离越小越相似
face_distances = face_recognition.face_distance(list_of_face_encodings, test_encode)

for i, face_distance in enumerate(face_distances):
    print("The test image has a distance of {:.2} from known image #{}".format(face_distance, i))
    print("- With a normal cutoff of 0.6, would the test image match the known image? {}".format(face_distance < 0.6))
    print("- With a very strict cutoff of 0.5, would the test image match the known image? {}".format(face_distance < 0.4))

cv2.waitKey(0)



免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删