前言

很多人都認(rèn)為人臉識(shí)別是一項(xiàng)非常難以實(shí)現(xiàn)的工作，看到名字就害怕，然后心懷忐忑到網(wǎng)上一搜，看到網(wǎng)上N頁的教程立馬就放棄了。這些人里包括曾經(jīng)的我自己。其實(shí)如果如果你不是非要深究其中的原理，只是要實(shí)現(xiàn)這一工作的話，人臉識(shí)別也沒那么難。今天我們就來看看如何在40行代碼以內(nèi)簡單地實(shí)現(xiàn)人臉識(shí)別。

一點(diǎn)區(qū)分

對(duì)于大部分人來說，區(qū)分人臉檢測(cè)和人臉識(shí)別完全不是問題。但是網(wǎng)上有很多教程有無無意地把人臉檢測(cè)說成是人臉識(shí)別，誤導(dǎo)群眾，造成一些人認(rèn)為二者是相同的。其實(shí)，人臉檢測(cè)解決的問題是確定一張圖上有木有人臉，而人臉識(shí)別解決的問題是這個(gè)臉是誰的?？梢哉f人臉檢測(cè)是是人識(shí)別的前期工作。今天我們要做的是人臉識(shí)別。

所用工具

Anaconda 2——Python 2

Dlib

scikit-image

Dlib

對(duì)于今天要用到的主要工具，還是有必要多說幾句的。Dlib是基于現(xiàn)代C++的一個(gè)跨平臺(tái)通用的框架，作者非常勤奮，一直在保持更新。Dlib內(nèi)容涵蓋機(jī)器學(xué)習(xí)、圖像處理、數(shù)值算法、數(shù)據(jù)壓縮等等，涉獵甚廣。更重要的是，Dlib的文檔非常完善，例子非常豐富。就像很多庫一樣，Dlib也提供了Python的接口，安裝非常簡單，用pip只需要一句即可：

pip install dlib

上面需要用到的scikit-image同樣只是需要這么一句：

pip install scikit-image

注：如果用pip install dlib安裝失敗的話，那安裝起來就比較麻煩了。錯(cuò)誤提示很詳細(xì)，按照錯(cuò)誤提示一步步走就行了。

人臉識(shí)別

之所以用Dlib來實(shí)現(xiàn)人臉識(shí)別，是因?yàn)樗呀?jīng)替我們做好了絕大部分的工作，我們只需要去調(diào)用就行了。Dlib里面有人臉檢測(cè)器，有訓(xùn)練好的人臉關(guān)鍵點(diǎn)檢測(cè)器，也有訓(xùn)練好的人臉識(shí)別模型。今天我們主要目的是實(shí)現(xiàn)，而不是深究原理。感興趣的同學(xué)可以到官網(wǎng)查看源碼以及實(shí)現(xiàn)的參考文獻(xiàn)。今天的例子既然代碼不超過40行，其實(shí)是沒啥難度的。有難度的東西都在源碼和論文里。

首先先通過文件樹看一下今天需要用到的東西：

準(zhǔn)備了六個(gè)候選人的圖片放在candidate-faces文件夾中，然后需要識(shí)別的人臉圖片test.jpg。我們的工作就是要檢測(cè)到test.jpg中的人臉，然后判斷她到底是候選人中的誰。另外的girl-face-rec.py是我們的python腳本。shape_predictor_68_face_landmarks.dat是已經(jīng)訓(xùn)練好的人臉關(guān)鍵點(diǎn)檢測(cè)器。dlib_face_recognition_resnet_model_v1.dat是訓(xùn)練好的ResNet人臉識(shí)別模型。ResNet是何凱明在微軟的時(shí)候提出的深度殘差網(wǎng)絡(luò)，獲得了 ImageNet 2015 冠軍，通過讓網(wǎng)絡(luò)對(duì)殘差進(jìn)行學(xué)習(xí)，在深度和精度上做到了比
CNN 更加強(qiáng)大。

1. 前期準(zhǔn)備

shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat都可以在這里找到。不能點(diǎn)擊超鏈接的可以直接輸入以下網(wǎng)址：http://dlib.net/files/。

然后準(zhǔn)備幾個(gè)人的人臉圖片作為候選人臉，最好是正臉。放到candidate-faces文件夾中。

本文這里準(zhǔn)備的是六張圖片，如下：

她們分別是

然后準(zhǔn)備四張需要識(shí)別的人臉圖像，其實(shí)一張就夠了，這里只是要看看不同的情況：

可以看到前兩張和候選文件中的本人看起來還是差別不小的，第三張是候選人中的原圖，第四張圖片微微側(cè)臉，而且右側(cè)有陰影。

2.識(shí)別流程

數(shù)據(jù)準(zhǔn)備完畢，接下來就是代碼了。識(shí)別的大致流程是這樣的：

• 先對(duì)候選人進(jìn)行人臉檢測(cè)、關(guān)鍵點(diǎn)提取、描述子生成后，把候選人描述子保存起來。
• 然后對(duì)測(cè)試人臉進(jìn)行人臉檢測(cè)、關(guān)鍵點(diǎn)提取、描述子生成。
• 最后求測(cè)試圖像人臉描述子和候選人臉描述子之間的歐氏距離，距離最小者判定為同一個(gè)人。

3.代碼

代碼不做過多解釋，因?yàn)橐呀?jīng)注釋的非常完善了。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 "請(qǐng)檢查參數(shù)是否正確"
 exit()
# 1.人臉關(guān)鍵點(diǎn)檢測(cè)器
predictor_path = sys.argv[1]
# 2.人臉識(shí)別模型
face_rec_model_path = sys.argv[2]
# 3.候選人臉文件夾
faces_folder_path = sys.argv[3]
# 4.需識(shí)別的人臉
img_path = sys.argv[4]
# 1.加載正臉檢測(cè)器
detector = dlib.get_frontal_face_detector()
# 2.加載人臉關(guān)鍵點(diǎn)檢測(cè)器
sp = dlib.shape_predictor(predictor_path)
# 3. 加載人臉識(shí)別模型
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
# win = dlib.image_window()
# 候選人臉描述子list
descriptors = []
# 對(duì)文件夾下的每一個(gè)人臉進(jìn)行:
# 1.人臉檢測(cè)
# 2.關(guān)鍵點(diǎn)檢測(cè)
# 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.人臉檢測(cè)
 dets = detector(img, 1)
 print("Number of faces detected: {}".format(len(dets)))
 for k, d in enumerate(dets): 
  # 2.關(guān)鍵點(diǎn)檢測(cè)
  shape = sp(img, d)
  # 畫出人臉區(qū)域和和關(guān)鍵點(diǎn)
  # 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)
  # 轉(zhuǎn)換為numpy array
  v = numpy.array(face_descriptor) 
  descriptors.append(v)
# 對(duì)需識(shí)別人臉進(jìn)行同樣處理
# 提取描述子，不再注釋
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) 
 # 計(jì)算歐式距離
 for i in descriptors:
  dist_ = numpy.linalg.norm(i-d_test)
  dist.append(dist_)
# 候選人名單
candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']
# 候選人和距離組成一個(gè)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.運(yùn)行結(jié)果

我們?cè)?py所在的文件夾下打開命令行，運(yùn)行如下命令

python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg

由于shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat名字實(shí)在太長，所以我把它們重命名為1.dat和2.dat。

運(yùn)行結(jié)果如下：

The person is Bingbing。

記憶力不好的同學(xué)可以翻上去看看test1.jpg是誰的圖片。有興趣的話可以把四張測(cè)試圖片都運(yùn)行下試試。

這里需要說明的是，前三張圖輸出結(jié)果都是非常理想的。但是第四張測(cè)試圖片的輸出結(jié)果是候選人4。對(duì)比一下兩張圖片可以很容易發(fā)現(xiàn)混淆的原因。

機(jī)器畢竟不是人，機(jī)器的智能還需要人來提升。

有興趣的同學(xué)可以繼續(xù)深入研究如何提升識(shí)別的準(zhǔn)確率。比如每個(gè)人的候選圖片用多張，然后對(duì)比和每個(gè)人距離的平均值之類的。全憑自己了。

以上就是本文的全部內(nèi)容，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作能帶來一定的幫助，同時(shí)也希望多多支持腳本之家！

最新評(píng)論