位置: IT常识 - 正文
Python 人脸识别系统
编辑：rootadmin推荐整理分享Python 人脸识别系统，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:,内容如对您有帮助，希望把文章链接给更多的朋友！
人脸识别不同于人脸检测。在人脸检测中，我们只检测了人脸的位置，在人脸识别任务中，我们识别了人的身份。
本文重点介绍使用库 face_recognition 实现人脸识别，该库基于深度学习技术，并承诺使用单个训练图像的准确率超过 96%。
识别系统用例
寻找失踪者识别社交媒体上的帐户识别汽车中的驾驶员考勤系统了解人脸识别的工作原理我们将人的照片和他们的名字传递给模型。该模型拍摄每张照片，将它们转换为某种数字编码，并将它们存储在一个列表中，并将所有标签（人名）存储在另一个列表中。在预测阶段，当我们传递未知人的图片时，识别模型会将该人的图像转换为编码。在将未知人的图像转换为编码后，它会尝试根据距离参数找到最相似的编码。与未知人的编码距离最小的编码将是最接近的匹配。在获得最接近的匹配编码后，我们从该列表中获取该编码的索引并使用索引。我们找到检测到的人的名字。传统人脸识别算法传统的人脸识别算法不符合现代人脸识别标准。它们旨在使用旧的传统算法识别面部。
OpenCV 提供了一些传统的面部识别算法。
Eigenfaces：http://www.scholarpedia.org/article/Eigenfaces尺度不变特征变换 (Scale Invariant Feature Transform，SIFT)：https://en.wikipedia.org/wiki/Scale-invariant_feature_transformFisher faces：http://www.scholarpedia.org/article/Fisherfaces局部二进制模式直方图 (Local Binary Patterns Histograms，LBPH)：https://en.wikipedia.org/wiki/Local_binary_patterns这些方法在提取图像信息和匹配输入和输出图像的方式上有所不同。
LBPH 算法是一种简单但非常有效的方法，仍在使用中，但与现代算法相比速度较慢。
人脸识别深度学习有多种基于深度学习的面部识别算法可供使用。
DeepFaceDeepID series of systemsFaceNetVGGFace一般来说，基于地标的人脸识别器对人脸图像进行拍摄，并试图找到眉毛、嘴角、眼睛、鼻子、嘴唇等基本特征点。有60多个地标。
人脸识别涉及的步骤人脸检测：定位人脸，记下每个人脸定位的坐标，并在每个人脸周围绘制一个边界框。面部对齐。标准化人脸以获得快速训练。特征提取。从面部图片中提取局部特征进行训练，这一步由不同的算法执行不同的操作。人脸识别。将输入人脸与我们数据集中的一个或多个已知人脸进行匹配。 识别流程使用python实现人脸识别系统。使用 face_recognition 库实现基于深度学习的人脸识别系统。
1. 设置人脸识别库：
为了安装人脸识别库，我们需要先安装dlib
dlib：它是一个现代 C++ 工具包，包含与机器学习相关的算法和工具。pip install dlib
安装实际的人脸识别库face recognition。pip install face recognition
Opencv用于一些图像预处理pip install opencv Note: Sometimes installing dlib throws error in that case install install the C++ development toolkit using vs_code community .
导入库
import cv2 import numpy as np import face_recognition
2. 加载图片：我们完成了库的安装和导入。是时候将一些示例图像加载到face_recognition库中了。
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。
Face_recognition仅加载 BGR 格式的图像。
import cv2import numpy as npimport face_recognitionimg_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输出→ BGR 与 RGB
3.检测和定位人脸：face_recognition库可以自行快速定位人脸，我们不需要使用haar_cascade或其他技术。
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. 样本图像识别：该face_recognition库基于深度学习，它支持单次学习，这意味着它需要一张图片来训练自己检测一个人。
img_modi = face_recognition.load_image_file('student_images/modi.jpg')img_modi = cv2.cvtColor(img_modi,cv2.COLOR_BGR2RGB)#------to find the face locationface = face_recognition.face_locations(img_modi)[0]#--Converting image into encodingstrain_encode = face_recognition.face_encodings(img_modi)[0]#----- lets test an imagetest = 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)上面的代码拍了两张总理的照片，因为两张照片都是同一个人，所以它返回了true。
face_recognition.face_encodings(imgelon)[0]→返回传递图像的编码。face_recognition.compare_faces([train_encode],test_encode) 获取经过训练的编码列表和未知图像的测试编码。如果两个测试编码在训练编码中匹配，则返回True ；否则，它会返回False.挑战姿势：识别系统容易受到人体姿势的影响。面部识别系统将无法预测该人的面部是否不可见。照明：照明会极大地改变面部轮廓。用于人脸识别的照片应在适当的照明条件下拍摄。面部表情：不同的面部表情会导致对同一个人的图像的不同预测。低分辨率：低分辨率图片包含的信息较少，因此不适合人脸识别训练。上一篇：【前端进阶】-TypeScript高级类型 | 交叉类型、索引签名类型、映射类型(前端技巧)
下一篇：Pytorch+PyG实现MLP(pytorch map)
