face_recognition与OpenCV Haar特征：视频/图片人脸检测与识别

日萌社

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）

import face_recognitionimport cv2 # 读入影片并得到影片长度# input_movie = cv2.VideoCapture("Huanlesong1.mp4")input_movie = cv2.VideoCapture("shot.mp4") #获取视频帧数length = int(input_movie.get(cv2.CAP_PROP_FRAME_COUNT))print("帧数:",length) #1754 """VideoWriter(filename, fourcc, fps, frameSize[, isColor]) 第一个参数：是要保存的文件的路径 第二个参数： cv2.VideoWriter_fourcc(*'XVID')：指定编码器 推荐使用 ”XVID"，但一般依据你的电脑环境安装了哪些编码器。        本身是一个 32 位的无符号数值，用 4 个字母表示采用的编码器。        常用的有 “DIVX"、”MJPG"、“XVID”、“X264"。可用的列表在这里。 第三个参数：fps 要保存的视频的帧速率。（注意：可以右键查看所读取的视频文件的帧速率） 第四个参数：frameSize 要保存的文件的画面尺寸(帧高度/帧宽度)。（注意：可以右键查看所读取的视频文件的帧高度/帧宽度） 第五个参数：isColor 指示是黑白画面还是彩色的画面。(输出格式，等于0时输出灰度视频，不等于0时输出彩色视频)"""# 创建输出视频文件（确保输出视频文件的分辨率/帧速率与输入视频匹配）fourcc = cv2.VideoWriter_fourcc(*'XVID') #可以右键查看所读取的视频文件的帧速、率帧高度、帧宽度output_movie = cv2.VideoWriter('output.avi', fourcc, 25, (640, 360)) """视频中有3个人，但是目的只是识别中视频中2个人，因此下面仅读取其中2个人的人脸图片，让模型学会根据这两个人的人脸图片在视频中分别识别出这两个人，并标识出来。""" """图像载入函数 load_image_file load_image_file(file, mode='RGB')  加载一个图像文件到一个numpy array类型的对象上。  参数：  file：待加载的图像文件名字  mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白)  返回值： 一个包含图像数据的numpy array类型的对象"""# 加载一些示例图片并学习如何识别它们。lmm_image = face_recognition.load_image_file("Qidian.png")al_image = face_recognition.load_image_file("Quxiaoxiao.png") """人脸编码函数 face_encodings  face_encodings(face_image, known_face_locations=None, num_jitters=1)  给定一个图像，返回图像中每个人脸的128脸部编码（特征向量）。  参数：  face_image：输入的人脸图像  known_face_locations：可选参数，如果你知道每个人脸所在的边界框  num_jitters=1：在计算编码时要重新采样的次数。越高越准确，但速度越慢（100就会慢100倍）  返回值： 一个128维的脸部编码列表"""#获取一个128维的脸部编码列表lmm_face_encoding = face_recognition.face_encodings(lmm_image)[0]al_face_encoding = face_recognition.face_encodings(al_image)[0] known_faces = [    lmm_face_encoding,    al_face_encoding] # 初始化一些变量face_locations = []face_encodings = []face_names = []frame_number = 0 while True:    # 抓取视频中的每一帧    ret, frame = input_movie.read()    #统计帧数    frame_number += 1    # 输入视频文件结束时退出    if not ret:        break     # 将图像从BGR颜色（OpenCV使用）转换为RGB颜色（人脸识别使用）    rgb_frame = frame[:, :, ::-1]     """ face_locations(img, number_of_times_to_upsample=1, model='hog')  给定一个图像，返回图像中每个人脸的面部特征位置(眼睛、鼻子等)，也即是获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)。 参数：  img：一个image（numpy array类型） number_of_times_to_upsample：从images的样本中查找多少次人脸，该参数值越高的话越能发现更小的人脸。  model：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPUs上运行更快， “cnn” 更准确更深度（且 GPU/CUDA加速，如果有GPU支持的话），默认是“hog”  返回值： 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left) """    # 获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)    # 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)    face_locations = face_recognition.face_locations(rgb_frame)    #face_encodings获取一个128维的脸部编码列表，其中传入第二个参数known_face_locations(可选参数，如果你知道每个人脸所在的边界框 )    face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)     face_names = []    # 遍历列表中 每个128维的脸部编码    for face_encoding in face_encodings:        """ compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)  比较脸部编码列表和候选编码，看看它们是否匹配。  参数：  known_face_encodings：已知的人脸编码列表  face_encoding_to_check：待进行对比的单张人脸编码数据  tolerance：两张脸之间的距离小于相似阈值才算匹配。该值越小对比越严格，0.6是典型的最佳值。  返回值： 一个 True或者False值的列表，代表了known_face_encodings列表的每个成员的匹配结果 注意：相似阈值(tolerance容忍度)中0.6是典型的最佳值，该值越小对比越严格，即两张脸之间的距离小于相似阈值才算匹配。 比如 face_distance 计算出来的距离为 0.4和 0.8，然后设置的相似阈值(tolerance容忍度)为0.6， 那么只有 0.4 小于 0.6 才认为是 相似， 0.8 大于 0.6 则认为是 不相似。 其中compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6) 也可以设置相似阈值(tolerance容忍度)  """        # 查看该脸是否与已知脸匹配        match = face_recognition.compare_faces(known_faces, face_encoding, tolerance=0.50)         # print(match)        """ match列表中的True或者False值 对应 known_faces = [lmm_face_encoding, al_face_encoding] """        # 如果你有两张以上的脸，你可以让这个逻辑更漂亮 但是为了演示我把它简单化了        name = None        if match[0]:            name = "Qidian"            face_names.append(name)        elif match[1]:            name = "Quxiaoxiao"            face_names.append(name)     # 标记结果    #列表中的每个元组包含人脸的位置(top, right, bottom, left)    for (top, right, bottom, left), name in zip(face_locations, face_names):        if not name:            continue         # 根据 人脸的位置(top, right, bottom, left) 在脸上画一个方框        cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)        # 画一个带文本信息的方框        cv2.rectangle(frame, (left, bottom - 25), (right, bottom), (0, 0, 255), cv2.FILLED)        #设置文本信息的字体        font = cv2.FONT_HERSHEY_DUPLEX        #要填入的文本信息        cv2.putText(frame, name, (left + 6, bottom - 6), font, 0.5, (255, 255, 255), 1)     # 将生成的图像写入输出视频文件    print("Writing frame {} / {}".format(frame_number, length))    output_movie.write(frame) input_movie.release()cv2.destroyAllWindows()

from PIL import Image, ImageDrawimport face_recognition """图像载入函数 load_image_file load_image_file(file, mode='RGB')  加载一个图像文件到一个numpy array类型的对象上。  参数：  file：待加载的图像文件名字  mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白)  返回值： 一个包含图像数据的numpy array类型的对象"""image = face_recognition.load_image_file('two_people.jpg') """人脸特征提取函数 face_landmarks(face_image,face_locations=None,model="large")  给定一个图像，提取图像中每个人脸的脸部特征位置。 人脸特征提取函数face_landmarks 提取后的脸部特征包括： 鼻梁nose_bridge、鼻尖nose_tip、 下巴chin、左眼left_eye、右眼right_eye、左眉 left_eyebrow、 右眉right_eyebrow、上唇top_lip、下 唇bottom_lip 参数：  face_image：输入的人脸图片  face_locations=None：  可选参数，默认值为None，代表默认解码图片中的每一个人脸。  若输入face_locations()[i]可指定人脸进行解码  model="large"/"small"： 输出的特征模型，默认为“large”，可选“small”。  当选择为"small"时，只提取左眼、右眼、鼻尖这三种脸部特征。"""face_landmarks_list = face_recognition.face_landmarks(image)#获取到图片中所包含的两个人的人脸特征print('找到 {} 个脸在这张图中'.format(len(face_landmarks_list))) #2 #加载图片pil_image = Image.fromarray(image)"""Python图像处理库PIL的ImageDraw模块.ImageDraw模块提供了图像对 象的简单2D绘制。用户可以 使用这个模块创建新的图像，注释或润饰已存在图像，为 web应用实时产生各种图形"""d = ImageDraw.Draw(pil_image)i = 1 """ 遍历图片中可能存在的多个人脸特征数据 """for face_landmarks in face_landmarks_list:	print('第 {} 个人的脸在这张图中'.format(i))	i+=1	""" keys()：获取鼻梁nose_bridge、鼻尖nose_tip、 下巴chin、左眼left_eye、右眼right_eye、左眉 left_eyebrow、 右眉right_eyebrow、上唇top_lip、下 唇bottom_lip  """	for facial_feature in face_landmarks.keys():		print('脸部特征：{}。脸部特征值: {}'.format(facial_feature, face_landmarks[facial_feature]))		""" 1.polygon()方法用于绘制多边形 第一个参数是多边形的几个顶点位置组成的list，第二个参数fill是填充该多边形的颜色。 例子：d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128)) 2.line()方法是用来画多个点之间构成的线段 第一个参数是 点位置组成的list，第二个参数fill是线段的颜色，第三个参数width是线段的宽度。  例子：d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5) """		d.line(face_landmarks[facial_feature],width=5)pil_image.show()

from PIL import Image, ImageDrawimport face_recognition """图像载入函数 load_image_file load_image_file(file, mode='RGB')  加载一个图像文件到一个numpy array类型的对象上。  参数： file：待加载的图像文件名字  mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白)  返回值： 一个包含图像数据的numpy array类型的对象"""# image = face_recognition.load_image_file("obama.jpg")image = face_recognition.load_image_file("threepeople.jpg") """人脸特征提取函数 face_landmarks(face_image,face_locations=None,model="large")  给定一个图像，提取图像中每个人脸的脸部特征位置。 人脸特征提取函数face_landmarks 提取后的脸部特征包括： 鼻梁nose_bridge、鼻尖nose_tip、 下巴chin、左眼left_eye、右眼right_eye、左眉 left_eyebrow、 右眉right_eyebrow、上唇top_lip、下 唇bottom_lip 参数：  face_image：输入的人脸图片  face_locations=None：  可选参数，默认值为None，代表默认解码图片中的每一个人脸。  若输入face_locations()[i]可指定人脸进行解码  model="large"/"small"： 输出的特征模型，默认为“large”，可选“small”。  当选择为"small"时，只提取左眼、右眼、鼻尖这三种脸部特征。"""face_landmarks_list = face_recognition.face_landmarks(image) #加载图片pil_image = Image.fromarray(image)"""Python图像处理库PIL的ImageDraw模块.ImageDraw模块提供了图像对 象的简单2D绘制。用户可以 使用这个模块创建新的图像，注释或润饰已存在图像，为 web应用实时产生各种图形"""#载入图片，构建一个ImageDraw对象d = ImageDraw.Draw(pil_image, 'RGBA') """ 遍历图片中可能存在的多个人脸特征数据 """for face_landmarks in face_landmarks_list:    """ 1.polygon()方法用于绘制多边形 第一个参数是多边形的几个顶点位置组成的list，第二个参数fill是填充该多边形的颜色。 例子：d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128)) 2.line()方法是用来画多个点之间构成的线段 第一个参数是 点位置组成的list，第二个参数fill是线段的颜色，第三个参数width是线段的宽度。  例子：d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5) """    # 画个浓眉    d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))    d.polygon(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 128))    d.line(face_landmarks['left_eyebrow'], fill=(1,1, 1, 1), width=15)    #d.line(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 150), width=5)    d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5)     # 涂个性感的嘴唇    d.polygon(face_landmarks['top_lip'], fill=(150, 0, 0, 128))    d.polygon(face_landmarks['bottom_lip'], fill=(150, 0, 0, 128))    d.line(face_landmarks['top_lip'], fill=(150, 0, 0, 64), width=8)    d.line(face_landmarks['bottom_lip'], fill=(150, 0, 0, 64), width=8)     # 闪亮的大眼睛    d.polygon(face_landmarks['left_eye'], fill=(255, 255, 255, 30))    d.polygon(face_landmarks['right_eye'], fill=(255, 255, 255, 30))     # 画眼线    d.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(0, 0, 0, 110), width=6)    d.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(0, 0, 0, 110), width=6) pil_image.show()

import face_recognitionimport cv2from PIL import Image,ImageDraw """图像载入函数 load_image_file load_image_file(file, mode='RGB')  加载一个图像文件到一个numpy array类型的对象上。  参数：  file：待加载的图像文件名字  mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白)  返回值： 一个包含图像数据的numpy array类型的对象"""# 加载一些示例图片并学习如何识别它们。rgb_frame = face_recognition.load_image_file("2.jpg")#加载图片pil_image = Image.fromarray(rgb_frame) """face_locations(img, number_of_times_to_upsample=1, model='hog') 给定一个图像，返回图像中每个人脸的面部特征位置(眼睛、鼻子等)，也即是获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)。参数：  img：一个image（numpy array类型） number_of_times_to_upsample：从images的样本中查找多少次人脸，该参数值越高的话越能发现更小的人脸。  model：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPUs上运行更快， “cnn” 更准确更深度（且 GPU/CUDA加速，如果有GPU支持的话），默认是“hog”  返回值： 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)"""# 获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)# 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)face_locations = face_recognition.face_locations(rgb_frame)print(face_locations)# face_encodings获取一个128维的脸部编码列表，其中传入第二个参数known_face_locations(可选参数，如果你知道每个人脸所在的边界框 )face_encodings = face_recognition.face_encodings(rgb_frame, face_locations) top, right, bottom, left = face_locations[0]face_names = "nagisa" # 根据 人脸的位置(top, right, bottom, left) 在脸上画一个方框cv2.rectangle(rgb_frame, (left, top), (right, bottom), (0, 0, 255), 2)# 画一个带文本信息的方框cv2.rectangle(rgb_frame, (left, bottom - 25), (right, bottom), (0, 0, 255), cv2.FILLED)# 设置文本信息的字体font = cv2.FONT_HERSHEY_DUPLEX# 要填入的文本信息cv2.putText(rgb_frame, face_names, (left + 6, bottom - 6), font, 0.5, (255, 255, 255), 1) # 彩色显示图像cv2.imshow("img", rgb_frame[:, :, ::-1])# 保持画面的持续。cv2.waitKey(0)

import face_recognitionimport cv2from PIL import Image """图像载入函数 load_image_file load_image_file(file, mode='RGB')  加载一个图像文件到一个numpy array类型的对象上。  参数：  file：待加载的图像文件名字  mode：转换图像的格式 只支持“RGB”(8位RGB, 3通道)和“L”(黑白)  返回值： 一个包含图像数据的numpy array类型的对象"""# 加载一些示例图片并学习如何识别它们。lmm_image = face_recognition.load_image_file("2.jpg")mask_image = face_recognition.load_image_file("1.jpg") """人脸编码函数 face_encodings  face_encodings(face_image, known_face_locations=None, num_jitters=1)  给定一个图像，返回图像中每个人脸的128脸部编码（特征向量）。  参数：  face_image：输入的人脸图像  known_face_locations：可选参数，如果你知道每个人脸所在的边界框  num_jitters=1：在计算编码时要重新采样的次数。越高越准确，但速度越慢（100就会慢100倍）  返回值： 一个128维的脸部编码列表"""#获取一个128维的脸部编码列表face_encoding = face_recognition.face_encodings(lmm_image)[0]# print(face_encoding)known_faces = [face_encoding] # 初始化一些变量face_locations = []face_encodings = []face_names = []frame_number = 0 # 调用笔记本内置摄像头，所以参数为0，如果有其他的摄像头可以调整参数为1，2cap = cv2.VideoCapture(0)while True:    # 从摄像头读取图片    sucess, frame = cap.read()     # 将图像从BGR颜色（OpenCV使用）转换为RGB颜色（人脸识别使用）    rgb_frame = frame[:, :, ::-1]     """ face_locations(img, number_of_times_to_upsample=1, model='hog')  给定一个图像，返回图像中每个人脸的面部特征位置(眼睛、鼻子等)，也即是获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)。 参数：  img：一个image（numpy array类型） number_of_times_to_upsample：从images的样本中查找多少次人脸，该参数值越高的话越能发现更小的人脸。  model：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPUs上运行更快， “cnn” 更准确更深度（且 GPU/CUDA加速，如果有GPU支持的话），默认是“hog”  返回值： 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left) """    # 获取每个人脸所在的边界框/人脸的位置(top, right, bottom, left)    # 一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)    face_locations = face_recognition.face_locations(rgb_frame)    # print(face_locations)    #face_encodings获取一个128维的脸部编码列表，其中传入第二个参数known_face_locations(可选参数，如果你知道每个人脸所在的边界框 )    face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)     face_names = []    # 遍历列表中 每个128维的脸部编码    for face_encoding in face_encodings:        """ compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)  比较脸部编码列表和候选编码，看看它们是否匹配。  参数：  known_face_encodings：已知的人脸编码列表  face_encoding_to_check：待进行对比的单张人脸编码数据  tolerance：两张脸之间的距离小于相似阈值才算匹配。该值越小对比越严格，0.6是典型的最佳值。  返回值： 一个 True或者False值的列表，代表了known_face_encodings列表的每个成员的匹配结果。 注意：相似阈值(tolerance容忍度)中0.6是典型的最佳值，该值越小对比越严格，即两张脸之间的距离小于相似阈值才算匹配。 比如 face_distance 计算出来的距离为 0.4和 0.8，然后设置的相似阈值(tolerance容忍度)为0.6， 那么只有 0.4 小于 0.6 才认为是 相似， 0.8 大于 0.6 则认为是 不相似。 其中compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6) 也可以设置相似阈值(tolerance容忍度) """        # 查看该脸是否与已知脸匹配        match = face_recognition.compare_faces(known_faces, face_encoding, tolerance=0.50)         """ match列表中的True或者False值 对应 known_faces = [lmm_face_encoding, al_face_encoding] """        # 如果你有两张以上的脸，你可以让这个逻辑更漂亮 但是为了演示我把它简单化了        name = None        if match[0]:            name = "nagisa"            face_names.append(name)        # elif match[1]:        #     name = "Quxiaoxiao"        #     face_names.append(name)     # 标记结果    #列表中的每个元组包含人脸的位置(top, right, bottom, left)    for (top, right, bottom, left), name in zip(face_locations, face_names):        if not name:            name = "Unknown"         """ 第一种方式：绘制人脸检测框 """        # # 根据 人脸的位置(top, right, bottom, left) 在脸上画一个方框        # cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)        # # 画一个带文本信息的方框        # cv2.rectangle(frame, (left, bottom - 25), (right, bottom), (0, 0, 255), cv2.FILLED)        # #设置文本信息的字体        # font = cv2.FONT_HERSHEY_DUPLEX        # #要填入的文本信息        # cv2.putText(frame, name, (left + 6, bottom - 6), font, 0.5, (255, 255, 255), 1)         """ 第二种方式：使用高斯滤波生成类似马赛克 贴到指定人脸位置 """        # face_image = frame[top:bottom, left:right]        # face_image = cv2.GaussianBlur(face_image, (99, 99), 30)        # frame[top:bottom, left:right] = face_image         """ 第三种方式：把小图贴到每一帧图片中的指定人脸位置 """        face_image = frame[top:bottom, left:right]        # print(face_image.shape[0:2])        mask_image = cv2.resize(mask_image, (face_image.shape[1], face_image.shape[0]))        frame[top:bottom, left:right] = mask_image     #彩色显示图像    cv2.imshow("img", frame)     # 保持画面的持续。    k = cv2.waitKey(1)    if k == 27:        # 通过esc键退出摄像        cv2.destroyAllWindows()        break    elif k == ord("s"):        # 通过s键保存图片，并退出。        cv2.imwrite("image2.jpg", frame)        cv2.destroyAllWindows()        break # 关闭摄像头cap.release()

import numpy as npimport cv2import cv2 as cvimport matplotlib.pyplot as plt # 实例化检测器face_cas = cv.CascadeClassifier("haarcascade_frontalface_default.xml" )face_cas.load('haarcascade_frontalface_default.xml') eyes_cas = cv.CascadeClassifier("haarcascade_eye.xml")eyes_cas.load("haarcascade_eye.xml") # 调用笔记本内置摄像头，所以参数为0，如果有其他的摄像头可以调整参数为1，2cap = cv2.VideoCapture(0)while True:    # 从摄像头读取图片    sucess, img = cap.read()     # 转为灰度图片    # gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    # 显示摄像头，背景是灰度。    # cv2.imshow("img", gray)    #彩色显示图像    # cv2.imshow("img", img)     # 以灰度图的形式读取图片    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)    # 调用识别人脸    faceRects = face_cas.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=3, minSize=(32, 32))     for faceRect in faceRects:        x, y, w, h = faceRect        # 框出人脸        cv.rectangle(img, (x, y), (x + h, y + w), (0, 255, 0), 3)        # 4.在识别出的人脸中进行眼睛的检测        roi_color = img[y:y + h, x:x + w]        roi_gray = gray[y:y + h, x:x + w]        eyes = eyes_cas.detectMultiScale(roi_gray)        for (ex, ey, ew, eh) in eyes:            cv.rectangle(roi_color, (ex, ey), (ex + ew, ey + eh), (0, 255, 0), 2)    ## 检测结果的绘制    # plt.figure(figsize=(8, 6), dpi=100)    # plt.imshow(img[:, :, ::-1]), plt.title('检测结果')    # plt.xticks([]), plt.yticks([])    # plt.show()     #彩色显示图像    cv2.imshow("img", img)     # 保持画面的持续。    k = cv2.waitKey(1)    if k == 27:        # 通过esc键退出摄像        cv2.destroyAllWindows()        break    elif k == ord("s"):        # 通过s键保存图片，并退出。        cv2.imwrite("image2.jpg", img)        cv2.destroyAllWindows()        break # 关闭摄像头cap.release()

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