用40行Python代码实践高大上的人脸识别

前言

很多人都认为人脸识别是一项非常难以实现的工作&＃xff0c;看到名字就害怕&＃xff0c;然后心怀忐忑到网上一搜&＃xff0c;看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理&＃xff0c;只是要实现这一工作的话&＃xff0c;人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。

一点区分

对于大部分人来说&＃xff0c;区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有意无意地把人脸检测说成是人脸识别&＃xff0c;误导群众&＃xff0c;造成一些人认为二者是相同的。其实&＃xff0c;人脸检测解决的问题是确定一张图上有木有人脸&＃xff0c;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。

今天我们要做的是人脸识别。

所用工具

• Anaconda 2 —— Python 2

• Dlib

• scikit-image

Dlib

对于今天要用到的主要工具&＃xff0c;还是有必要多说几句的。Dlib是基于现代C&＃43;&＃43;的一个跨平台通用的框架&＃xff0c;作者非常勤奋&＃xff0c;一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等&＃xff0c;涉猎甚广。更重要的是&＃xff0c;Dlib的文档非常完善&＃xff0c;例子非常丰富。就像很多库一样&＃xff0c;Dlib也提供了Python的接口&＃xff0c;安装非常简单&＃xff0c;用pip只需要一句即可&＃xff1a;

1. pip install dlib

上面需要用到的 scikit-image同样只是需要这么一句&＃xff1a;

1. pip install scikit-image

• 注&＃xff1a;如果用 pip install dlib 安装失败的话&＃xff0c;那安装起来就比较麻烦了。错误提示很详细&＃xff0c;按照错误提示一步步走就行了。

人脸识别

之所以用 Dlib 来实现人脸识别&＃xff0c;是因为它已经替我们做好了绝大部分的工作&＃xff0c;我们只需要去调用就行了。Dlib里面有人脸检测器&＃xff0c;有训练好的人脸关键点检测器&＃xff0c;也有训练好的人脸识别模型。今天我们主要目的是实现&＃xff0c;而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。

今天的例子既然代码不超过40行&＃xff0c;其实是没啥难度的。有难度的东西都在源码和论文里。

首先先通过文件树看一下今天需要用到的东西&＃xff1a;

准备了六个候选人的图片放在 candidate-faces 文件夹中&＃xff0c;然后需要识别的人脸图片 test.jpg 。我们的工作就是要检测到 test.jpg 中的人脸&＃xff0c;然后判断她到底是候选人中的谁。

另外的 girl-face-rec.py 是我们的python脚本。 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。ResNet是何凯明在微软的时候提出的深度残差网络&＃xff0c;获得了 ImageNet 2015 冠军&＃xff0c;通过让网络对残差进行学习&＃xff0c;在深度和精度上做到了比 CNN 更加强大。

1. 前期准备

shape_predictor_68_face_landmarks.dat和 dlib_face_recognition_resnet_model_v1.dat都可以在这里找到。不能点击超链接的可以直接输入以下网址&＃xff1a;http://dlib.net/files/。

然后准备几个人的人脸图片作为候选人脸&＃xff0c;最好是正脸。放到 candidate-faces 文件夹中。

本文这里准备的是六张图片&＃xff0c;如下&＃xff1a;

她们分别是

然后准备四张需要识别的人脸图像&＃xff0c;其实一张就够了&＃xff0c;这里只是要看看不同的情况&＃xff1a;

可以看到前两张和候选文件中的本人看起来还是差别不小的&＃xff0c;第三张是候选人中的原图&＃xff0c;第四张图片微微侧脸&＃xff0c;而且右侧有阴影。

2.识别流程

数据准备完毕&＃xff0c;接下来就是代码了。识别的大致流程是这样的&＃xff1a;

• 先对候选人进行人脸检测、关键点提取、描述子生成后&＃xff0c;把候选人描述子保存起来。

• 然后对测试人脸进行人脸检测、关键点提取、描述子生成。

• 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&＃xff0c;距离最小者判定为同一个人。

3.代码

代码不做过多解释&＃xff0c;因为已经注释的非常完善了。以下是 girl-face-rec.py

1. # -*- coding: UTF-8 -*-

2. import sys,os,dlib,glob,numpy

3. from skimage import io

5. if len(sys.argv) !&＃61; 5:

6.     print "请检查参数是否正确"

7.     exit()

9. # 1.人脸关键点检测器

10. predictor_path &＃61; sys.argv[1]

11. # 2.人脸识别模型

12. face_rec_model_path &＃61; sys.argv[2]

13. # 3.候选人脸文件夹

14. faces_folder_path &＃61; sys.argv[3]

15. # 4.需识别的人脸

16. img_path &＃61; sys.argv[4]

18. # 1.加载正脸检测器

19. detector &＃61; dlib.get_frontal_face_detector()

20. # 2.加载人脸关键点检测器

21. sp &＃61; dlib.shape_predictor(predictor_path)

22. # 3. 加载人脸识别模型

23. facerec &＃61; dlib.face_recognition_model_v1(face_rec_model_path)

25. # win &＃61; dlib.image_window()

27. # 候选人脸描述子list

28. descriptors &＃61; []

30. # 对文件夹下的每一个人脸进行:

31. # 1.人脸检测

32. # 2.关键点检测

33. # 3.描述子提取

34. for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):

35.    print("Processing file: {}".format(f))

36.    img &＃61; io.imread(f)

37.    #win.clear_overlay()

38.    #win.set_image(img)

40.    # 1.人脸检测

41.    dets &＃61; detector(img, 1)

42.    print("Number of faces detected: {}".format(len(dets)))

44.    for k, d in enumerate(dets):  

45.    # 2.关键点检测

46.    shape &＃61; sp(img, d)

47.    # 画出人脸区域和和关键点

48.    # win.clear_overlay()

49.    # win.add_overlay(d)

50.    # win.add_overlay(shape)

52.    # 3.描述子提取&＃xff0c;128D向量

53.    face_descriptor &＃61; facerec.compute_face_descriptor(img, shape)

55.    # 转换为numpy array

56.    v &＃61; numpy.array(face_descriptor)  

57.    descriptors.append(v)

59. # 对需识别人脸进行同样处理

60. # 提取描述子&＃xff0c;不再注释

61. img &＃61; io.imread(img_path)

62. dets &＃61; detector(img, 1)

64. dist &＃61; []

65. for k, d in enumerate(dets):

66.    shape &＃61; sp(img, d)

67.    face_descriptor &＃61; facerec.compute_face_descriptor(img, shape)

68.    d_test &＃61; numpy.array(face_descriptor)

70.    # 计算欧式距离

72.    for i in descriptors:

73.    dist_ &＃61; numpy.linalg.norm(i-d_test)

74.    dist.append(dist_)

76. # 候选人名单

77. candidate &＃61; [&＃39;Unknown1&＃39;,&＃39;Unknown2&＃39;,&＃39;Shishi&＃39;,&＃39;Unknown4&＃39;,&＃39;Bingbing&＃39;,&＃39;Feifei&＃39;]

79. # 候选人和距离组成一个dict

80. c_d &＃61; dict(zip(candidate,dist))

82. cd_sorted &＃61; sorted(c_d.iteritems(), key&＃61;lambda d:d[1])

83. print " The person is: ",cd_sorted[0][0]  

84. dlib.hit_enter_to_continue()

4.运行结果

我们在 .py所在的文件夹下打开命令行&＃xff0c;运行如下命令

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 名字实在太长&＃xff0c;所以我把它们重命名为 1.dat 和 2.dat 。

运行结果如下&＃xff1a;

1. The person is Bingbing。

记忆力不好的同学可以翻上去看看 test1.jpg 是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。

这里需要说明的是&＃xff0c;前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人4。对比一下两张图片可以很容易发现混淆的原因。

机器毕竟不是人&＃xff0c;机器的智能还需要人来提升。

有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张&＃xff0c;然后对比和每个人距离的平均值之类的。全凭自己了。

∞∞∞∞∞

公众号回复“Python”&＃xff0c;

邀你加入{ IT派Python技术群 }