内容简介:可怕,40行代码的人脸识别实践
以后可千万别闯红灯了,不要以为可以躲过去。
那人脸识别的技术到底怎样的呢?
很多人都认为人脸识别是一项非常难以实现的工作,看到名字就害怕,然后心怀忐忑到网上一搜,看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理,只是要实现这一工作的话,人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。
一点区分
对于大部分人来说,区分 人脸检测 和 人脸识别 完全不是问题。但是网上有很多教程有意无意地把人脸检测说成是人脸识别,误导群众,造成一些人认为二者是相同的。其实,人脸检测解决的问题是确定一张图上有木有人脸,而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。
今天我们要做的是人脸识别。
所用工具
-
Anaconda 2 —— Python 2
-
Dlib
-
scikit-image
Dlib
对于今天要用到的主要工具,还是有必要多说几句的。Dlib是基于现代C++的一个跨平台通用的框架,作者非常勤奋,一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等,涉猎甚广。更重要的是,Dlib的文档非常完善,例子非常丰富。就像很多库一样,Dlib也提供了 Python 的接口,安装非常简单,用pip只需要一句即可:
pip install dlib上面需要用到的
scikit-image
pip install scikit-image
-
注:如果用
pip install dlib
安装失败的话,那安装起来就比较麻烦了。错误提示很详细,按照错误提示一步步走就行了。
人脸识别
之所以用 Dlib来实现人脸识别,是因为它已经替我们做好了绝大部分的工作,我们只需要去调用就行了。Dlib里面有人脸检测器,有训练好的人脸关键点检测器,也有训练好的人脸识别模型。今天我们主要目的是实现,而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。
今天的例子既然代码不超过40行,其实是没啥难度的。有难度的东西都在源码和论文里。
首先先通过文件树看一下今天需要用到的东西:
准备了六个候选人的图片放在 candidate-faces
文件夹中,然后需要识别的人脸图片 test.jpg
。我们的工作就是要检测到 test.jpg
中的人脸,然后判断她到底是候选人中的谁。
另外的 girl-face-rec.py
是我们的python脚本。 shape_predictor_68_face_landmarks.dat
是已经训练好的人脸关键点检测器。 dlib_face_recognition_resnet_model_v1.dat
是训练好的ResNet人脸识别模型。ResNet是何凯明在微软的时候提出的深度残差网络,获得了 ImageNet 2015冠军,通过让网络对残差进行学习,在深度和精度上做到了比 CNN更加强大。
1.前期准备
shape_predictor_68_face_landmarks.dat
和
dlib_face_recognition_resnet_model_v1.dat
然后准备几个人的人脸图片作为候选人脸,最好是正脸。放到
candidate-faces
文件夹中。
本文这里准备的是六张图片,如下:
她们分别是
然后准备四张需要识别的人脸图像,其实一张就够了,这里只是要看看不同的情况:
可以看到前两张和候选文件中的本人看起来还是差别不小的,第三张是候选人中的原图,第四张图片微微侧脸,而且右侧有阴影。
2.识别流程
数据准备完毕,接下来就是代码了。识别的大致流程是这样的:
-
先对候选人进行人脸检测、关键点提取、描述子生成后,把候选人描述子保存起来。
-
然后对测试人脸进行人脸检测、关键点提取、描述子生成。
-
最后求测试图像人脸描述子和候选人脸描述子之间的欧氏距离,距离最小者判定为同一个人。
3.代码
代码不做过多解释,因为已经注释的非常完善了。以下是girl-face-rec.py
# -*- coding: UTF-8 -*- import sys,os,dlib,glob,numpy from skimage import io if len(sys.argv) != 5: print"请检查参数是否正确" exit # 1.人脸关键点检测器 predictor_path = sys.argv[1] # 2.人脸识别模型 face_rec_model_path = sys.argv[2] # 3.候选人脸文件夹 faces_folder_path = sys.argv[3] # 4.需识别的人脸 img_path = sys.argv[4] # 1.加载正脸检测器 detector = dlib.get_frontal_face_detector # 2.加载人脸关键点检测器 sp = dlib.shape_predictor(predictor_path) # 3.加载人脸识别模型 facerec = dlib.face_recognition_model_v1(face_rec_model_path) # win = dlib.image_window #候选人脸描述子list descriptors = #对文件夹下的每一个人脸进行: # 1.人脸检测 # 2.关键点检测 # 3.描述子提取 for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")): print("Processing file: {}".format(f)) img = io.imread(f) #win.clear_overlay #win.set_image(img) # 1.人脸检测 dets = detector(img, 1) print("Number of faces detected: {}".format(len(dets))) for k, d in enumerate(dets): # 2.关键点检测 shape = sp(img, d) #画出人脸区域和和关键点 # win.clear_overlay # win.add_overlay(d) # win.add_overlay(shape) # 3.描述子提取,128D向量 face_descriptor = facerec.compute_face_descriptor(img, shape) #转换为numpy array v = numpy.array(face_descriptor) descriptors.append(v) #对需识别人脸进行同样处理 #提取描述子,不再注释 img = io.imread(img_path) dets = detector(img, 1) dist = for k, d in enumerate(dets): d_test = numpy.array(face_descriptor) #计算欧式距离 for i in descriptors: dist_ = numpy.linalg.norm(i-d_test) dist.append(dist_) #候选人名单 candidate = ['Unknown1''Unknown2''Shishi''Unknown4''Bingbing''Feifei'] #候选人和距离组成一个dict c_d = dict(zip(candidate,dist)) cd_sorted = sorted(c_d.iteritems, key=lambda d:d[1]) print"\n The person is: ",cd_sorted[0][0] dlib.hit_enter_to_continue
4.运行结果
我们在.py
所在的文件夹下打开命令行,运行如下命令
python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg
1.dat
和
2.dat
。
The person isBingbing。记忆力不好的同学可以翻上去看看
test1.jpg
是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。
这里需要说明的是,前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人4。对比一下两张图片可以很容易发现混淆的原因。
机器毕竟不是人,机器的智能还需要人来提升。
有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张,然后对比和每个人距离的平均值之类的。全凭自己了。
关注“数据与算法之美”
获取更多 最全数据集
以上所述就是小编给大家介绍的《可怕,40行代码的人脸识别实践》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
深入理解Java虚拟机(第2版)
周志明 / 机械工业出版社 / 2013-9-1 / 79.00元
《深入理解Java虚拟机:JVM高级特性与最佳实践(第2版)》内容简介:第1版两年内印刷近10次,4家网上书店的评论近4?000条,98%以上的评论全部为5星级的好评,是整个Java图书领域公认的经典著作和超级畅销书,繁体版在台湾也十分受欢迎。第2版在第1版的基础上做了很大的改进:根据最新的JDK 1.7对全书内容进行了全面的升级和补充;增加了大量处理各种常见JVM问题的技巧和最佳实践;增加了若干......一起来看看 《深入理解Java虚拟机(第2版)》 这本书的介绍吧!