当前位置: 开发笔记 > 编程语言 > 正文

Python3利用Dlib19.7实现摄像头人脸识别的方法

作者：董可芳妍_731 | 来源：互联网 | 2023-08-30 18:44

0.引言利用python开发，借助Dlib库捕获摄像头中的人脸，提取人脸特征，通过计算欧氏距离来和预存的人脸特征进行对比，达到人脸识别的目的；可以自动从摄像头中抠取人脸图片存储到本地

0.引言

利用python开发，借助Dlib库捕获摄像头中的人脸，提取人脸特征，通过计算欧氏距离来和预存的人脸特征进行对比，达到人脸识别的目的；

可以自动从摄像头中抠取人脸图片存储到本地，然后提取构建预设人脸特征；

根据抠取的 / 已有的同一个人多张人脸图片提取128D特征值，然后计算该人的128D特征均值；

然后和摄像头中实时获取到的人脸提取出的特征值，计算欧氏距离，判定是否为同一张人脸；　　

人脸识别 / face recognition的说明：

wikipedia 关于人脸识别系统 / face recognition system 的描述：theywork by comparing selected facial featuresfrom given image with faces within a database.

本项目中就是比较预设的人脸的特征和摄像头实时获取到的人脸的特征；

核心就是提取128D人脸特征，然后计算摄像头人脸特征和预设的特征脸的欧式距离，进行比对；

效果如下（摄像头认出来我是default_person预设的人脸 / 另一个人不是预设人脸显示diff）：

2.2get_features_into_CSV.py / 提取特征存入CSV

已经得到了XXX的一组人脸图像，现在就需要把他的面部特征提取出来；

这里借助 dlib 库的 face recognition model 人脸识别模型；

# face recognition model, the object maps human faces into 128D vectors
facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")

# detector to find the faces
detector = dlib.get_frontal_face_detector()

# shape predictor to find the face landmarks
predictor = dlib.shape_predictor("shape_predictor_5_face_landmarks.dat")

# 读取图片
img = io.imread(path_img)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

dets = detector(img_gray, 1)
shape = predictor(img_gray, dets[0])
face_descriptor = facerec.compute_face_descriptor(img_gray, shape)

我们可以看下对于某张图片，face_descriptor的输出结果：

绿色框内是我们的返回128D特征的函数；

在红色框内调用该函数来计算img_face_13.jpg；

可以看到黄色框中的输出为128D的向量；

2.3 face_reco_from_camera.py / 实时人脸识别对比分析

这个py就是调用摄像头，捕获摄像头中的人脸，然后如果检测到人脸，将摄像头中的人脸提取出128D的特征，然后和预设的default_person的128D特征进行计算欧式距离，如果比较小，可以判定为一个人，否则不是一个人；

欧氏距离对比的阈值设定，是在 return_euclidean_distance函数的dist变量；

我这里程序里面指定的是0.4，具体阈值可以根据实际情况或者测得结果进行修改；

源码：

# 2018-5-11
# By TimeStamp
# cnblogs: http://www.cnblogs.com/AdaminXie

import dlib # 人脸识别的库dlib
import numpy as np # 数据处理的库numpy
import cv2 # 图像处理的库OpenCv

# face recognition model, the object maps human faces into 128D vectors
facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")

# 计算两个向量间的欧式距离
def return_euclidean_distance(feature_1,feature_2):
 feature_1 = np.array(feature_1)
 feature_2 = np.array(feature_2)
 dist = np.sqrt(np.sum(np.square(feature_1 - feature_2)))
 print(dist)

 if dist > 0.4:
 return "diff"
 else:
 return "same"


features_mean_default_person = [-0.030892765492592986, 0.13333227054068916, 0.054221574805284799, -0.050820438289328626, -0.056331159841073189, 0.0039378538311116004, -0.044465327145237675, -0.13096490031794497, 0.14215188983239627, -0.084465635842398593, 0.34389359700052363, -0.062936659118062566, -0.24372901571424385, -0.13270603316394905, -0.0472818422866495, 0.15475224742763921, -0.24415240554433121, -0.11213862150907516, 0.032288033417180964, 0.023676671577911628, 0.098508275653186594, -0.010117797634417289, 0.0048202000815715448, -0.014808513420192819, -0.060100053486071135, -0.34934839135722112, -0.095795629448012301, -0.050788544706608117, 0.032316677762489567, -0.099673464894294739, -0.080181991975558434, 0.096361607705291952, -0.1823408101734362, -0.045472671817007815, -0.0066827326326778062, 0.047393877549391041, -0.038414973079373964, -0.039067085930391363, 0.15961966781239761, 0.0092458106136243598, -0.16182226570029007, 0.026322136191945327, -0.0039144184832510193, 0.2492692768573761, 0.19180528427425184, 0.022950534855848866, -0.019220497949342979, -0.15331173021542399, 0.047744840089427795, -0.17038608616904208, 0.026140184680882254, 0.19366614363695445, 0.066497623724372762, 0.07038829416820877, -0.0549700813073861, -0.11961311768544347, -0.032121153940495695, 0.083507449611237169, -0.14934051350543373, 0.011458799806668571, 0.10686114273573223, -0.10744074888919529, -0.04377919611962218, -0.11030520381111848, 0.20804878441910996, 0.093076545941202266, -0.11621182490336268, -0.1991656830436305, 0.10751579348978244, -0.11251544991606161, -0.12237925866716787, 0.058218707869711672, -0.15829276019021085, -0.17670038891466042, -0.2718416170070046, 0.034569320955166689, 0.30443575821424784, 0.061833358712886512, -0.19622498672259481, 0.011373612000361868, -0.050225612756453063, -0.036157087079788507, 0.12961127491373764, 0.13962576616751521, -0.0074232793168017737, 0.020964263007044792, -0.11185114399382942, 0.012502493042694894, 0.17834208513561048, -0.072658227462517586, -0.041312719401168194, 0.25095899873658228, -0.056628625839948654, 0.10285118379090961, 0.046701753217923012, 0.042323612264896691, 0.0036216247826814651, 0.066720707440062574, -0.16388990533979317, -0.0193739396421925, 0.027835704435251261, -0.086023958105789985, -0.05472404568603164, 0.14802298341926776, -0.10644183582381199, 0.098863413851512108, 0.00061285014778963834, 0.062096107555063146, 0.051960245755157973, -0.099548895108072383, -0.058173993112225285, -0.065454461562790375, 0.14721672511414477, -0.25363486848379435, 0.20384312381869868, 0.16890435312923632, 0.097537552447695477, 0.087824966562421697, 0.091438713434495431, 0.093809676797766431, -0.034379941362299417, -0.085149037210564868, -0.24900743130006289, 0.021165960517368819, 0.076710369830068792, -0.0061752907196549996, 0.028413473285342519, -0.029983982541843465]


# dlib预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')

# 创建cv2摄像头对象
cap = cv2.VideoCapture(0)

# cap.set(propId, value)
# 设置视频参数，propId设置的视频参数，value设置的参数值
cap.set(3, 480)

def get_128d_features(img_gray):
 dets = detector(img_gray, 1)
 if (len(dets) != 0):
 shape = predictor(img_gray, dets[0])
 face_descriptor = facerec.compute_face_descriptor(img_gray, shape)
 else:
 face_descriptor=0
 return face_descriptor

# cap.isOpened（） 返回true/false 检查初始化是否成功
while (cap.isOpened()):

 # cap.read()
 # 返回两个值：
 # 一个布尔值true/false，用来判断读取视频是否成功/是否到视频末尾
 # 图像对象，图像的三维矩阵
 flag, im_rd = cap.read()

 # 每帧数据延时1ms，延时为0读取的是静态帧
 kk = cv2.waitKey(1)

 # 取灰度
 img_gray = cv2.cvtColor(im_rd, cv2.COLOR_RGB2GRAY)

 # 人脸数rects
 rects = detector(img_gray, 0)

 # print(len(rects))

 # 待会要写的字体
 fOnt= cv2.FONT_HERSHEY_SIMPLEX

 cv2.putText(im_rd, "q: quit", (20, 400), font, 0.8, (0, 255, 255), 1, cv2.LINE_AA)

 if (len(rects) != 0):
 # 检测到人脸

 # 将捕获到的人脸提取特征和内置特征进行比对
 features_rd = get_128d_features(im_rd)
 compare = return_euclidean_distance(features_rd, features_mean_default_person)

 im_rd = cv2.putText(im_rd, compare.replace("same", "default_person"), (20, 350), font, 0.8, (0, 255, 255), 1, cv2.LINE_AA)

 # 矩形框
 for k, d in enumerate(rects):

 # 绘制矩形框
 im_rd = cv2.rectangle(im_rd, tuple([d.left(), d.top()]), tuple([d.right(), d.bottom()]), (0, 255, 255), 2)

 cv2.putText(im_rd, "faces: " + str(len(rects)), (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)

 else:
 # 没有检测到人脸
 cv2.putText(im_rd, "no face", (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)


 # 按下q键退出
 if (kk == ord('q')):
 break

 # 窗口显示
 cv2.imshow("camera", im_rd)

# 释放摄像头
cap.release()

# 删除建立的窗口
cv2.destroyAllWindows()

实时输出结果：

图6 实时输出的欧氏距离结果

通过实时的输出结果，看的比较明显；

输出绿色部分：当是我自己（即之前分析提取特征的default_person）时，计算出来的欧式距离基本都在0.2 左右；

输出红色部分：而换一张图片上去比如特朗普，明显看到欧式距离计算结果达到了0.8，此时就可以判定，后来这张人脸不是我们预设的人脸；

所以之前提到的欧式距离计算对比的阈值可以由此设定，本项目中取的是0.4；

3.总结

之前接着那个摄像头人脸检测写的，不过拖到现在才更新，写的也比较粗糙，大家有具体需求和应用场景可以加以修改，有什么问题可以留言或者直接mail 我。。。不好意思

核心就是提取人脸特征，然后计算欧式距离和预设的特征脸进行比对；

不过这个实时获取摄像头人脸进行比对，要实时的进行计算摄像头脸的特征值，然后还要计算欧氏距离，所以计算量比较大，可能摄像头视频流会出现卡顿；

# 代码已上传到了我的GitHub，如果对您有帮助欢迎star下：https://github.com/coneypo/Dlib_face_recognition_from_camera

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。

您可能感兴趣的文章:

基于python3 OpenCV3实现静态图片人脸识别
基于python神经卷积网络的人脸识别
python3+dlib实现人脸识别和情绪分析
python实现人脸识别经典算法（一）特征脸法
Python3结合Dlib实现人脸识别和剪切
Python人脸识别初探
python+opencv实现的简单人脸识别代码示例
python实现人脸识别代码
详解如何用OpenCV + Python 实现人脸识别
python opencv3实现人脸识别（windows）

Python3利用Dlib19.7实现摄像头人脸识别的方法

您可能感兴趣的文章:

Python 使用 DOM 和 SAX 解析 XML 的应用实例

人脸检测 pyqt+opencv+dlib

（7）Python爬虫——爬取豆瓣电影Top250

开机自启动的几种方式

MySQL 数据迁移时 .frm 文件报错问题

掌握MySQL数据库的基础语法与核心操作

InfluxDB、collectd与Grafana的详细安装与配置指南

pca人脸识别python实现_如何使用matplotlib中的PCA类进行人脸识别？

Python3 Scrapy 安装方法（一脸辛酸泪）

使用 Python 封装依赖方法构建测试用例的依赖关系

在范围[0..n-1]中产生m个不同的随机数 - Generating m distinct random numbers in the range [0..n-1]

PHP 对象生命周期与内存管理

解决 Ubuntu 下 Samba 重新安装时配置文件未重新生成的问题

大类|电阻器_使用Requests、Etree、BeautifulSoup、Pandas和Path库进行数据抓取与处理 | 将指定区域内容保存为HTML和Excel格式

MySQL定时清理：每10分钟自动删除数据库中的无效数据