在本文中，你將學(xué)習(xí)如何使用 Python 構(gòu)建人臉識(shí)別系統(tǒng)。人臉識(shí)別比人臉檢測(cè)更進(jìn)一步。在人臉檢測(cè)中，我們只檢測(cè)人臉在圖像中的位置，但在人臉識(shí)別中，我們制作了一個(gè)可以識(shí)別人的系統(tǒng)。

“人臉識(shí)別是驗(yàn)證或識(shí)別圖片或視頻中的人的挑戰(zhàn)。大型科技巨頭仍在努力打造更快、更準(zhǔn)確的人臉識(shí)別模型?！?/p>

人臉識(shí)別的實(shí)際應(yīng)用

人臉識(shí)別目前正被用于讓世界更安全、更智能、更方便。

有幾個(gè)用例：

尋找失蹤人員
零售犯罪
安全標(biāo)識(shí)
識(shí)別社交媒體上的帳戶(hù)
考勤系統(tǒng)
識(shí)別汽車(chē)中的駕駛員

根據(jù)性能和復(fù)雜性，有多種方法可以執(zhí)行面部識(shí)別。

傳統(tǒng)人臉識(shí)別算法：

在 1990 年代，整體方法被用于人臉識(shí)別。手工制作的局部描述符在 1920 年代初期開(kāi)始流行，然后在 2000 年代后期采用局部特征學(xué)習(xí)方法。目前廣泛使用并在OpenCV中實(shí)現(xiàn)的算法如下：

Eigenfaces (1991)
Local Binary Patterns Histograms (LBPH) (1996)
Fisherfaces(1997)
Scale Invariant Feature Transform (SIFT) (1999)
Speed Up Robust Features (SURF)(2006)

每種方法都遵循不同的方法來(lái)提取圖像信息并將其與輸入圖像進(jìn)行匹配。

Fischer-faces和Eigenfaces與 SURF 和 SIFT 具有幾乎相似的方法。

LBPH 是一種簡(jiǎn)單但非常有效的方法，但與現(xiàn)代人臉識(shí)別器相比，速度較慢。

與現(xiàn)代人臉識(shí)別算法相比，這些算法并不快。傳統(tǒng)算法不能僅通過(guò)拍攝一個(gè)人的單張照片來(lái)訓(xùn)練。

人臉識(shí)別深度學(xué)習(xí)：

一些廣泛使用的基于深度學(xué)習(xí)的人臉識(shí)別系統(tǒng)如下：

DeepFace
DeepID series of systems
VGGFace
FaceNet

人臉識(shí)別器一般是在人臉圖像中找出重要的點(diǎn)，如嘴角、眉毛、眼睛、鼻子、嘴唇等。這些點(diǎn)的坐標(biāo)稱(chēng)為五官點(diǎn)，這樣的點(diǎn)有66個(gè)。這樣，尋找特征點(diǎn)的不同技術(shù)給出不同的結(jié)果。

來(lái)源：https://www.pinterest.com/mrmosherart/face-landmarks/

人臉識(shí)別模型涉及的步驟:

1.人臉檢測(cè)：定位人臉并在人臉周?chē)L制邊界框并保留邊界框的坐標(biāo)。

2.人臉對(duì)齊：標(biāo)準(zhǔn)化人臉以與訓(xùn)練數(shù)據(jù)庫(kù)一致。

3.特征提?。禾崛⒂糜谟?xùn)練和識(shí)別任務(wù)的人臉特征。

4.人臉識(shí)別：將人臉與準(zhǔn)備好的數(shù)據(jù)庫(kù)中的一張或多張已知人臉進(jìn)行匹配。

在傳統(tǒng)的人臉識(shí)別方法中，我們有單獨(dú)的模塊來(lái)執(zhí)行這 4 個(gè)步驟。在本文中，你將看到一個(gè)將這 4 個(gè)步驟組合在一個(gè)步驟中的庫(kù)。

構(gòu)建人臉識(shí)別系統(tǒng)的步驟

安裝庫(kù)

我們需要安裝 2 個(gè)庫(kù)來(lái)實(shí)現(xiàn)人臉識(shí)別。

dlib ： dlib是一個(gè)現(xiàn)代 C++ 工具包，包含機(jī)器學(xué)習(xí)算法和工具，用于在 C++ 中創(chuàng)建復(fù)雜的軟件以解決實(shí)際問(wèn)題。

# installing dlib 
pip install dlib

臉部識(shí)別：將face_recognition庫(kù)，創(chuàng)建和維護(hù) Adam Geitgey，包含了dlib人臉識(shí)別功能。

# installing face recognition
pip install face recognition

Opencv 用于一些圖像預(yù)處理。

# installing opencv 
pip install opencv

導(dǎo)入庫(kù)

現(xiàn)在你已經(jīng)下載了所有重要的庫(kù)，讓我們導(dǎo)入它們來(lái)構(gòu)建系統(tǒng)。

import cv2
import numpy as np
import face_recognition

加載圖像

導(dǎo)入庫(kù)后，你需要加載圖像。

face_recognition 庫(kù)以 BGR 的形式加載圖像，為了打印圖像，你應(yīng)該使用 OpenCV 將其轉(zhuǎn)換為 RGB。

imgelon_bgr = face_recognition.load_image_file('elon.jpg')
imgelon_rgb = cv2.cvtColor(imgelon_bgr,cv2.COLOR_BGR2RGB)
cv2.imshow('bgr', imgelon_bgr)
cv2.imshow('rgb', imgelon_rgb)
cv2.waitKey(0)

如你所見(jiàn)，RGB 看起來(lái)很自然，因此你將始終把通道更改為 RGB。

查找人臉位置并繪制邊界框

你需要在人臉周?chē)L制一個(gè)邊界框，以顯示是否已檢測(cè)到人臉。

imgelon =face_recognition.load_image_file('elon.jpg')
imgelon = cv2.cvtColor(imgelon,cv2.COLOR_BGR2RGB)
#----------Finding face Location for drawing bounding boxes-------
face = face_recognition.face_locations(imgelon_rgb)[0]
copy = imgelon.copy()
#-------------------Drawing the Rectangle-------------------------
cv2.rectangle(copy, (face[3], face[0]),(face[1], face[2]), (255,0,255), 2)
cv2.imshow('copy', copy)
cv2.imshow('elon',imgelon)
cv2.waitKey(0)

為人臉識(shí)別訓(xùn)練圖像

該庫(kù)的制作方式是自動(dòng)查找人臉并僅處理人臉，因此你無(wú)需從圖片中裁剪人臉。

訓(xùn)練：

在這個(gè)階段，我們將訓(xùn)練圖像轉(zhuǎn)換為一些編碼，并使用該圖像的人名存儲(chǔ)編碼。

train_elon_encodings = face_recognition.face_encodings(imgelon)[0]

測(cè)試：

為了測(cè)試，我們加載圖像并將其轉(zhuǎn)換為編碼，然后在訓(xùn)練期間將編碼與存儲(chǔ)的編碼進(jìn)行匹配，這種匹配基于尋找最大相似度。當(dāng)你找到與測(cè)試圖像匹配的編碼時(shí)，你將獲得與訓(xùn)練編碼相關(guān)聯(lián)的名稱(chēng)。

# lets test an image
test = face_recognition.load_image_file('elon_2.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))

face_recognition.compare_faces，如果兩個(gè)圖像中的人相同，返回True，否則返回False。

構(gòu)建人臉識(shí)別系統(tǒng)

導(dǎo)入必要的庫(kù)

import cv2
import face_recognition
import os
import numpy as np
from datetime import datetime
import pickle

定義將存儲(chǔ)訓(xùn)練圖像數(shù)據(jù)集的文件夾路徑

path = 'student_images'

注意：對(duì)于訓(xùn)練，我們只需要將訓(xùn)練圖片放到path目錄下，圖片名稱(chēng)必須是person_name.jpg/jpeg格式。

例如：

正如你在我的 student_images 路徑中看到的，有 6 個(gè)人。因此我們的模型只能識(shí)別這 6 個(gè)人。你可以在此目錄中添加更多圖片，以便更多人識(shí)別

現(xiàn)在創(chuàng)建一個(gè)列表來(lái)存儲(chǔ) person_name 和圖像數(shù)組。

遍歷path目錄中存在的所有圖像文件，讀取圖像，并將圖像數(shù)組附加到圖像列表，并將文件名附加到classNames。

images = []
classNames = []mylist = os.listdir(path)
for cl in mylist:
    curImg = cv2.imread(f'{path}/{cl}')
    images.append(curImg)
    classNames.append(os.path.splitext(cl)[0])

創(chuàng)建一個(gè)函數(shù)來(lái)對(duì)所有訓(xùn)練圖像進(jìn)行編碼并將它們存儲(chǔ)在一個(gè)變量encoding_face_train 中。

def findEncodings(images):
    encodeList = []
    for img in images:
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        encoded_face = face_recognition.face_encodings(img)[0]
        encodeList.append(encoded_face)
    return encodeList
encoded_face_train = findEncodings(images)

創(chuàng)建一個(gè)函數(shù)，該函數(shù)將創(chuàng)建一個(gè)Attendance.csv文件來(lái)存儲(chǔ)考勤時(shí)間。

注意：這里需要手動(dòng)創(chuàng)建Attendance.csv文件并在函數(shù)中給出路徑

def markAttendance(name):
    with open('Attendance.csv','r+') as f:
        myDataList = f.readlines()
        nameList = []
        for line in myDataList:
            entry = line.split(',')
            nameList.append(entry[0])
        if name not in nameList:
            now = datetime.now()
            time = now.strftime('%I:%M:%S:%p')
            date = now.strftime('%d-%B-%Y')
            f.writelines(f'n{name}, {time}, {date}')

我們首先檢查出席者的名字是否已經(jīng)在attenting .csv中可用。

如果出席者的名字在attends.csv中不可用，我們將在函數(shù)調(diào)用的時(shí)間中寫(xiě)入出席者的名字。

閱讀網(wǎng)絡(luò)攝像頭進(jìn)行實(shí)時(shí)識(shí)別

# take pictures from webcam 
cap  = cv2.VideoCapture(0)while True:
    success, img = cap.read()
    imgS = cv2.resize(img, (0,0), None, 0.25,0.25)
    imgS = cv2.cvtColor(imgS, cv2.COLOR_BGR2RGB)
    faces_in_frame = face_recognition.face_locations(imgS)
    encoded_faces = face_recognition.face_encodings(imgS, faces_in_frame)for encode_face, faceloc in zip(encoded_faces,faces_in_frame):
        matches = face_recognition.compare_faces(encoded_face_train, encode_face)
        faceDist = face_recognition.face_distance(encoded_face_train, encode_face)
        matchIndex = np.argmin(faceDist)
        print(matchIndex)
        if matches[matchIndex]:
            name = classNames[matchIndex].upper().lower()
            y1,x2,y2,x1 = faceloc
            # since we scaled down by 4 times
            y1, x2,y2,x1 = y1*4,x2*4,y2*4,x1*4
            cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)
            cv2.rectangle(img, (x1,y2-35),(x2,y2), (0,255,0), cv2.FILLED)
            cv2.putText(img,name, (x1+6,y2-5), cv2.FONT_HERSHEY_COMPLEX,1,(255,255,255),2)
            markAttendance(name)
    cv2.imshow('webcam', img)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

僅將識(shí)別部分的圖像大小調(diào)整為 1/4。輸出幀將是原始大小。

調(diào)整大小可提高每秒幀數(shù)。

face_recognition.face_locations()在調(diào)整大小的圖像（imgS）上被調(diào)用。對(duì)于人臉邊界框坐標(biāo)必須乘以 4 才能覆蓋在輸出幀上。

**face_recognition.distance()**返回測(cè)試圖像的距離數(shù)組，其中包含我們訓(xùn)練目錄中存在的所有圖像。

最小人臉距離的索引將是匹配的人臉。

找到匹配的名稱(chēng)后，我們調(diào)用markAttendance函數(shù)。

使用**cv2.rectangle()**繪制邊界框。

我們使用**cv2.putText()**將匹配的名稱(chēng)放在輸出幀上。