可怕，40行代码的人脸识别实践

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

由于 和 名字实在太长，所以我把它们重命名为 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！

查看所有标签

猜你喜欢:

• 原 荐 Qt封装百度人脸识别+图像识别
• 微软删除人脸识别数据库 源于“伦理”识别
• 应用层下的人脸识别（二）：人脸库
• 应用层下的人脸识别（三）：人脸比对
• 人脸识别综述
• 机器学习人脸性别识别

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。