Python调用Dlib库实现人脸识别——AI初学者快速体验人工智能

一  人脸识别基本概念

二  工具和环境安装准备

    1. 安装CMake

     2. 安装dlib

     3. 安装scikit- image  

三  人脸识别实践 （人脸识别与比较）

     1. 实验准备

     2. 识别逻辑简述

     3. 具体代码

     4. 运行与结果

四  人脸识别实践二  （特征点描绘）

     1. face_detector.py

     2. face_landmark_detection.py

一  人脸识别基本概念

      基本概念先说明下，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。下面要做的是人脸识别。

      要实现人脸识别，人脸对齐（face alignment）是基本的算法，目前主要的算法有ERT、SDM、LBF等，其中由于dlib开源库实现了ERT算法，效果不错，这里使用dlib，并通过python来实现。

      用Dlib来实现人脸识别，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。这里主要记录实现过程，不分析细节原理。可以到官网查看源码以及实现的参考文献。

      具体算法后面有时间要研究下。

      另，这篇文章推荐找来看看：浙大一篇毕业论文 一种基于随机森林的实时人脸关键点定位实现.docx

二  工具和环境安装准备

       CMake

       Dlib

      scikit-image

     以上是正确的安装流程。如果先安装Dlib，会报如下错误：（截取最后几行）：

1. 安装CMake

下载 链接  https://cmake.org/download/

用的windows机器，直接双击安装，注意：安装完了一定要设置path变量中CMake的路径。

2. DLIB下载安装

（下载链接二解包后有全套说明手册再docs目录，推荐！！！）

下载链接一：https://github.com/davisking/dlib

下载后保存：

或下载链接二：如下

执行  python setup.py install  成功。

3.  安装 scikit-image

pip install scikit-image

三  人脸识别实践

1. 实验准备

所有需要的文件及目录如下：

      所有文件都可以在以下网址下载：http://dlib.net/files/。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girls文件夹中。

 这里，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。（说明：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。）

      六个候选人特征图片放在girls文件夹中，然后需要识别的人脸图片test1.jpg、test2.jpg、test3.jpg、test4.jpg。下面工作就是检测到test*.jpg中的人脸，然后判断她到底是候选人中的谁。girl-face-rec.py是实现人脸识别的python脚本。

六个候选人特征如下：

四个待测试人脸如下：

2. 识别逻辑简述

以上数据准备完毕。识别的大致流程是这样的：

1）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。

2）然后对测试人脸进行人脸检测、关键点提取、描述子生成。

3）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. 具体代码

# -*- coding: UTF-8 -*-import sys,os,dlib,glob,numpyfrom 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listdescriptors = []# 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):    shape = sp(img, d)    face_descriptor = facerec.compute_face_descriptor(img, shape)    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dictc_d = dict(zip(candidate,dist))cd_sorted = sorted(c_d.items(), key=lambda d:d[1])print('\n The person is: %s' % ( cd_sorted[0][0] )  )  dlib.hit_enter_to_continue() 

4. 运行与结果

执行命令：python girl-face-rec.py shape_predictor_68_face_landmarks.dat dlib_face_recognition_resnet_model_v1.dat ./girls test1.jpg

运行结果如下：（识别出test1.jpg 是girls5.jpg ...  前面三个都正确）

四  人脸识别实践二

在官网上下载的包里有python的sample代码，介绍了如何使用dlib进行人脸识别。

下面实践两个： 代码分析如下，具体分析见代码注释：

  1. face_detetor.py 
 

   face_detetor.py     识别出图片文件中一张或多张人脸，并用矩形框框出标识出人脸；

## face_detetor.pyimport sysimport dlib detector = dlib.get_frontal_face_detector()win = dlib.image_window() for f in sys.argv[1:]:    print("Processing file: {}".format(f))    img = dlib.load_rgb_image(f)    # The 1 in the second argument indicates that we should upsample the image    # 1 time. This will make everything bigger and allow us to detect more    # faces.    dets = detector(img, 1)    print("Number of faces detected: {}".format(len(dets)))    for i, d in enumerate(dets):        print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(            i, d.left(), d.top(), d.right(), d.bottom()))     win.clear_overlay()    win.set_image(img)    win.add_overlay(dets)    dlib.hit_enter_to_continue()# Finally, if you really want to you can ask the detector to tell you the score# for each detection. The score is bigger for more confident detections.# The third argument to run is an optional adjustment to the detection threshold,# where a negative value will return more detections and a positive value fewer.# Also, the idx tells you which of the face sub-detectors matched. This can be# used to broadly identify faces in different orientations.if (len(sys.argv[1:]) > 0):    img = dlib.load_rgb_image(sys.argv[1])    dets, scores, idx = detector.run(img, 1, -1)    for i, d in enumerate(dets):        print("Detection {}, score: {}, face_type:{}".format(            d, scores[i], idx[i])) 注释与分析： 
  

## face_detetor_1.py 比原来代码略有改动import dlibfrom skimage import io # 使用特征提取器frontal_face_detectordetector = dlib.get_frontal_face_detector() # path是图片所在路径path = "d:\\code\\python\\face\\pic"img = io.imread(path+"1.jpg") # 特征提取器的实例化dets = detector(img) print("人脸数：", len(dets)) # 输出人脸矩形的四个坐标点for i, d in enumerate(dets):    print("第", i, "个人脸d的坐标：",          "left:", d.left(),          "right:", d.right(),          "top:", d.top(),          "bottom:", d.bottom()) # 绘制图片win = dlib.image_window()# 清除覆盖#win.clear_overlay()win.set_image(img)# 将生成的矩阵覆盖上win.add_overlay(dets)# 保持图像dlib.hit_enter_to_continue()

执行与结果：

1）python face_detector.py dlib-19.12\\ examples  \\faces\\2009_004587.jpg

2 ) python face_detector.py test1.jpg

3） python face_detector.py dlib-19.12\\examples\\faces\\bald_guys.jpg

2.  face_landmark_detection.py    

在face_detector.py的识别人脸基础上，识别出人脸部的具体特征部位：下巴轮廓、眉毛、眼睛、嘴巴，同样用标记标识出面部特征；  

import sysimport osimport dlibimport glob if len(sys.argv) != 3:    print(        "Give the path to the trained shape predictor model as the first "        "argument and then the directory containing the facial images.\n"        "For example, if you are in the python_examples folder then "        "execute this program by running:\n"        " ./face_landmark_detection.py shape_predictor_68_face_landmarks.dat ../examples/faces\n"        "You can download a trained facial shape predictor from:\n"        " http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2")    exit() predictor_path = sys.argv[1]faces_folder_path = sys.argv[2]                     # 图片所在路径 detector = dlib.get_frontal_face_detector()         # 使用特征提取器frontal_face_detectorpredictor = dlib.shape_predictor(predictor_path)    # dlib的68点模型win = dlib.image_window()                           # 生成dlib的图像窗口 for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):    print("Processing file: {}".format(f))    img = dlib.load_rgb_image(f)     win.clear_overlay()    win.set_image(img)     # Ask the detector to find the bounding boxes of each face. The 1 in the    # second argument indicates that we should upsample the image 1 time. This    # will make everything bigger and allow us to detect more faces.    dets = detector(img, 1)                                    # 特征提取器的实例化    print("Number of faces detected: {}".format(len(dets)))    for k, d in enumerate(dets):        print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(            k, d.left(), d.top(), d.right(), d.bottom()))        # Get the landmarks/parts for the face in box d.        shape = predictor(img, d)                                 # 利用预测器预测        print("Part 0: {}, Part 1: {} ...".format(shape.part(0),                                                  shape.part(1)))        # Draw the face landmarks on the screen.        win.add_overlay(shape)                                      # 绘制面部轮廓     win.add_overlay(dets)                                           # 绘制矩阵轮廓    dlib.hit_enter_to_continue()                                     # 保持图像

执行与结果：

1）python face_landmark_detection.py  shape_predictor_68_face_landmarks.dat  .

2）python face_landmark_detection.py  shape_predictor_68_face_landmarks.dat   girls\\multigirls



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