在windows中尝试人脸识别
2018-04-26 本文已影响383人
豆豆到家了
个人博客地址：http://www.lishaofei.com，欢迎访问
人脸识别作为人工智能的冰山一角，已经走进我们的现实生活，如人脸识别打卡、人脸识别手机解锁等
通过编码，使用深度神经网络训练一个精准的人脸识别模型绝非易事，但想要实现人脸识别功能却并不复杂
本文将带你在windows7系统中(windows10据说相差不大，未做实际尝试)，以Python为基础，使用 face_recognition 库，实现简单的人脸识别，具体功能：
- 定位一个图片中的人脸的位置
- 定位图片中人脸的各个面部特征，如下巴、左眉毛等
- 识别图中的人脸是谁（前提是提供已知人脸是谁的相关图片）
关于 face_recognition ：
- github上有很多关于人工智能的开源项目， face_recognition 就是其中之一
- 世界上最简单的人脸识别库
- 支持通过Python或命令行识别和操作人脸
1. 安装并配置所需环境
安装Visual Studio Community 2017
具体步骤百度
安装目录不要出现中文
安装过程，记得勾选windows SDK 10
安装anaconda
下载地址：https://www.anaconda.com/download/#windows
下载3.6版anaconda并安装
安装cmake
下载地址：https://cmake.org/download/
下载msi文件并安装
安装过程请勾选添加path到系统变量
这里的path只是添加到了环境变量Path中，CLASSPATH需要手动添加
cmd运行cmake --version验证是否正确安装
安装face_recognition
在Anaconda Prompt中依次执行如下命令：
conda create -n dlib python=3.5
conda activate dlib
conda install -c menpo dlib=19.9
pip install face_recognition
2. 定位图片中人脸的位置
使用方法：face_locations(img, number_of_times_to_upsample=1, model='hog')
参数：
- img 数组形式的图像数据
- number_of_times_to_upsample 搜索次数，次数越多，可以识别到越小的脸
- model 默认为"hog"，使用CPU，跟快，但不够准确，可以指定为"cnn"，使用更准确的深度学习模型，但是需要GPU/CUDA环境
返回一个list，里面有多个tuple，每个tuple中包含四个整数值，表示上下左右像素的边界值
注意：本人在win7环境直接执行model为cnn的方法，12G内存占满，电脑卡住，GPU环境不完美的建议不要使用
GPU环境具备的还可以进行批量识别，参考官方示例
简单使用
import face_recognition
# 将图片加载为数组形式
image = face_recognition.load_image_file("zero_and_ashley.jpg")
# 定位图中人脸的位置
face_locations = face_recognition.face_locations(image)
print(face_locations)
[(558, 854, 825, 587), (468, 1062, 736, 795)]
拓展示例
为了展示直观，参考官方示例，改用matplotlib作图（matplotlib作图资料参考：展示图片，画线），展示标记人脸后的图像
import face_recognition
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
from matplotlib.path import Path
import matplotlib.patches as patches
# 需要识别的图像路径
image_path = "zero_and_ashley_and_so_on.jpg"
# 将图片加载为数组形式
image = face_recognition.load_image_file(image_path)
# 定位图中人脸的位置
face_locations = face_recognition.face_locations(image)
print("图中共有{}张人脸。".format(len(face_locations)))
# 使用matplotlib作图，展示原图
img = mpimg.imread(image_path)
fig, ax = plt.subplots(figsize=(img.shape[0]/100,img.shape[1]/100))
imgplot = ax.imshow(img)
# 遍历识别到的人脸位置信息
for face_location in face_locations:
# 获得上、右、下、左人脸边界像素值
top, right, bottom, left = face_location
# 使用matplotlib在原图中用矩形框出人脸
verts = [
(left, bottom), # left, bottom
(left, top), # left, top
(right, top), # right, top
(right, bottom), # right, bottom
(left, bottom), # ignored
]
codes = [
Path.MOVETO,
Path.LINETO,
Path.LINETO,
Path.LINETO,
Path.CLOSEPOLY,
]
path = Path(verts, codes)
patch = patches.PathPatch(path, facecolor='none', edgecolor='cyan', ls='-', lw=2)
ax.add_patch(patch)
# 展示图像
plt.show()
图中共有11张人脸。
图1
3. 定位图片中人脸的面部特征位置
使用方法：face_landmarks(face_image, face_locations=None)
参数：
- face_image 数组形式的图像数据
- face_locations 可以将图像定位信息传入，识别途中特定人脸的各个面部特征
返回一个list，每个值是一个map，表示一个人脸，map中的key表示面部特征名称，value是一个list，包含多个多个tuple坐标点
简单使用
import face_recognition
# 将图片加载为数组形式
image = face_recognition.load_image_file("zero_and_ashley.jpg")
# 定位图片中所有人脸的各个部位位置
face_landmarks_list = face_recognition.face_landmarks(image)
print(face_landmarks_list)
[
{
'top_lip': [(685, 752), (714, 749), (738, 748), (748, 752), (757, 751), (766, 757), (766, 765), (761, 765), (754, 760), (745, 759), (735, 757), (691, 754)],
'chin': [(583, 640), (580, 676), (582, 713), (589, 748), (608, 778), (635, 802), (664, 824), (695, 840), (722, 846), (744, 838), (758, 815), (773, 793), (789, 771), (804, 749), (814, 725), (816, 702), (813, 679)],
'right_eye': [(767, 665), (781, 656), (794, 658), (801, 668), (793, 669), (780, 667)],
'nose_bridge': [(759, 657), (761, 677), (764, 696), (767, 715)],
'left_eyebrow': [(656, 617), (677, 605), (701, 600), (725, 604), (744, 616)],
'right_eyebrow': [(776, 624), (791, 620), (806, 622), (815, 631), (816, 647)],
'bottom_lip': [(766, 765), (759, 784), (748, 794), (738, 794), (727, 790), (706, 778), (685, 752), (691, 754), (731, 777), (742, 779), (751, 778), (761, 765)],
'nose_tip': [(727, 728), (740, 733), (752, 737), (762, 737), (771, 733)],
'left_eye': [(677, 644), (694, 639), (709, 641), (719, 653), (707, 651), (692, 649)]
},
{
'top_lip': [(873, 655), (890, 655), (906, 652), (920, 656), (932, 651), (950, 654), (970, 655), (963, 659), (933, 663), (920, 665), (906, 663), (881, 659)],
'chin': [(797, 518), (799, 553), (805, 589), (811, 623), (823, 655), (842, 684), (863, 710), (889, 732), (923, 738), (957, 732), (987, 710), (1010, 681), (1029, 649), (1042, 615), (1048, 579), (1053, 541), (1054, 505)],
'right_eye': [(955, 526), (969, 516), (986, 514), (1001, 519), (987, 527), (970, 528)],
'nose_bridge': [(916, 525), (917, 554), (917, 581), (917, 610)],
'left_eyebrow': [(811, 497), (828, 484), (850, 483), (872, 486), (893, 493)],
'right_eyebrow': [(942, 489), (962, 478), (985, 471), (1010, 471), (1029, 485)],
'bottom_lip': [(970, 655), (951, 677), (934, 686), (920, 688), (905, 686), (889, 677), (873, 655), (881, 659), (906, 664), (920, 667), (933, 664), (963, 659)],
'nose_tip': [(891, 619), (904, 624), (919, 628), (934, 623), (948, 617)],
'left_eye': [(838, 529), (850, 522), (866, 521), (883, 530), (867, 534), (851, 534)]
}
]
拓展示例
为了展示直观，参考官方示例，改用matplotlib作图（matplotlib作图资料参考：展示图片，画线），展示标记人脸面部特征后的图像
import face_recognition
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
from matplotlib.path import Path
import matplotlib.patches as patches
# 需要识别的图像路径
image_path = "zero_and_ashley.jpg"
# 将图片加载为数组形式
image = face_recognition.load_image_file(image_path)
# 定位图片中所有人脸的面部特征位置
face_landmarks_list = face_recognition.face_landmarks(image)
print("图中共有{}张人脸。".format(len(face_landmarks_list)))
# 使用matplotlib作图，展示原图
img = mpimg.imread(image_path)
fig, ax = plt.subplots(figsize=(img.shape[0]/100,img.shape[1]/100))
imgplot = ax.imshow(img)
# 遍历识别到每个人脸
for face_landmarks in face_landmarks_list:
# 面部特征map中的key
facial_features = [
'chin',
'left_eyebrow',
'right_eyebrow',
'nose_bridge',
'nose_tip',
'left_eye',
'right_eye',
'top_lip',
'bottom_lip'
]
# 遍历每一个面部特征
for facial_feature in facial_features:
# 使用matplotlib在原图中用线框出面部特征
verts = face_landmarks[facial_feature]
# 出开始结尾的点，共有点的个数
middle_point_num = len(verts)-2
# 定义path中的起始点
codes = [Path.MOVETO]
# 定义path中的中间点
for i in range(middle_point_num):
codes.append(Path.LINETO)
# 定义path中的结尾点
if(verts[0]==verts[-1]):
codes.append(Path.CLOSEPOLY)
else:
codes.append(Path.LINETO)
path = Path(verts, codes)
patch = patches.PathPatch(path, facecolor='none', edgecolor='cyan', ls='-', lw=1)
ax.add_patch(patch)
plt.show()
图中共有2张人脸。
图2
4. 识别图中的人脸是谁
使用方法：compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)
参数：
- known_face_encodings 已知人脸的编码信息
- face_encoding_to_check 需要检测的图像编码信息
- tolerance 默认为0.6，越小对比越严格，默认值会使我做实验时总是识别不太准，改用0.4，很准确
返回一个list，每个元素为True/False，表示被检测图像中是否包含已知人脸，和known_face_encodings列表一一对应
展示已知图像
fig= plt.figure(figsize=(10,10))
ax1 = fig.add_subplot(121)
img = mpimg.imread("zero.jpg")
imgplot = ax1.imshow(img)
ax1.set_title("Zero")
ax2 = fig.add_subplot(122)
img = mpimg.imread("ashley.jpg")
imgplot = ax2.imshow(img)
ax2.set_title("Ashley")
plt.show()
图3
简单实例
import face_recognition
#加载已知的人脸图片，并获得编码数据
picture_of_me = face_recognition.load_image_file("zero.jpg")
my_face_encoding = face_recognition.face_encodings(picture_of_me)[0]
# 加载另一个人的人脸图片，作为测试
unknown_picture = face_recognition.load_image_file("ashley.jpg")
unknown_face_encoding = face_recognition.face_encodings(unknown_picture)[0]
# 对比my_face_encoding表示的人脸，是否出现在unknown_face_encoding的表示的图中
results = face_recognition.compare_faces([my_face_encoding], unknown_face_encoding, tolerance=0.4)
if results[0] == True:
print("图像中有zero")
else:
print("图像中没有zero")
图像中没有zero
拓展示例
为了展示直观，参考官方示例，改用matplotlib作图（matplotlib作图资料参考：展示图片，画线，添加文字），展示识别人脸后的图像，框出没张人脸并标记是谁
import face_recognition
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
from matplotlib.path import Path
import matplotlib.patches as patches
# 从照片中加载已知的两个人脸
zero_image = face_recognition.load_image_file("zero.jpg")
zero_face_encoding = face_recognition.face_encodings(zero_image)[0]
ashley_image = face_recognition.load_image_file("ashley.jpg")
ashley_face_encoding = face_recognition.face_encodings(ashley_image)[0]
known_face_encodings = [
zero_face_encoding,
ashley_face_encoding,
]
known_face_names = [
"Zero",
"Ashley",
]
# 加载需要识别的图片
image_path = "zero_and_ashley_and_so_on.jpg"
unknown_image = face_recognition.load_image_file(image_path)
# matplotlib作图
img = mpimg.imread(image_path)
fig, ax = plt.subplots(figsize=(img.shape[0]/100,img.shape[1]/100))
imgplot = ax.imshow(img)
# 找到图中所有人脸的位置
face_locations = face_recognition.face_locations(unknown_image)
# 根据位置加载人脸编码的列表
face_encodings = face_recognition.face_encodings(unknown_image, face_locations)
# 遍历所有人脸编码，与已知人脸对比
for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
# 获得对比结果
matches = face_recognition.compare_faces(known_face_encodings, face_encoding, tolerance=0.4)
# 获得姓名
name = "Unknown"
if True in matches:
first_match_index = matches.index(True)
name = known_face_names[first_match_index]
# matplotlib构造框图
verts = [
(left, bottom), # left, bottom
(left, top), # left, top
(right, top), # right, top
(right, bottom), # right, bottom
(left, bottom), # ignored
]
codes = [
Path.MOVETO,
Path.LINETO,
Path.LINETO,
Path.LINETO,
Path.CLOSEPOLY,
]
path = Path(verts, codes)
patch = patches.PathPatch(path, facecolor='none', edgecolor='cyan', ls='-', lw=2)
ax.add_patch(patch)
# matplotlib 标记人名
ax.text(left, top, name, style='italic',fontsize=20,
bbox={'facecolor': 'cyan', 'edgecolor':'cyan','alpha': 1, 'pad': 2})
# 如果你的人名包含中文，可以加上这句，用于正常显示中文
plt.rcParams['font.sans-serif']=['SimHei']
plt.show()
图4
