🍉 前情提要

前面通过PaddleHub的人脸检测模型pyramidbox_lite_mobile  
    
    
    
，实现了一个在浏览器中上传人脸

     


     


     


  ，进行人脸检测的小应用    
    
    
  。这一节 




 




 




 
，我们将实现的功能是任意上传两张人脸图片  

   

   

   

，比较他们是否为同一人   


     


     


     
。

🌺 清风莫追 🌺

csdn个人主页：https://blog.csdn.net/m0_63238256

🌷 效果演示

🥝 实现过程

主要工具：Flask

     

     

     

 ，Insightface

本来想继续使用PaddleHub的  




  




  




  ，但苦于没有找到合适的开箱即用的模型  


  


  


  


，于是我改用了Insightface



 




 




 




。insightface是一个比较有名的人脸识别开源库
     
     
     
，可以直接在Python中使用pip进行安装
   




   




   




   ，我找到的文档是英文的 



 



 



 


，因此上手得有些吃力（英语不好）   

   

   

 。

insightface的github地址：https://github.com/deepinsight/insightface/tree/master/model_zoo

本次的内容大致如下：

将insightface的人脸识别功能包装为一个Web服务

后端从浏览器表单获取两张人脸图片                ，转发给人脸识别

    




    




    




   ，得到人脸标注框和特征向量

通过特征向量的余弦相似度实现人脸比对（判断两张脸是否属于同一人）

画人脸标注框

在前端显示结果

补充：其实可以不用将insightface包装成Web服务

















，只用封装成一个函数就行    

     

     

     。但是我的Flask和insightface安装在不同的python虚拟环境中                 ，因此就以API的形式进行通信了




  




  




  




。

目录结构：

- templates - compare.html - app.py - insightface_api.py - foms.py - utils.py

其中

     



     



     



   ，utils.py封装了一些小脚本  


  


  


。

1. utils.py

我选择了以base64编码的格式
















，在API间传递数据（图像  
    
    
    
、特征向量

     


     


     


  、标注框等）     
     
     
     。数据需要多次在不同格式间转换  
    
    
    
，为此我将一些转换过程封装成了函数的形式放在一起




   




   




   



。嗯······还包含了几个其它功能的小函数
 



 



 



。

这样功能实现的代码看起来逻辑会清晰一些                   。

import base64 import numpy as np import cv2 # 图片文件content转cv2

     


     


     


  ，并缩放到指定尺寸 def content_to_cv2(contents: list, size: tuple): content -> np -> cv2 -> cv2<target_size> imgs_np = [np.asarray(bytearray(content), dtype=np.uint8) for content in contents] imgs_cv2 = [cv2.imdecode(img_np, cv2.IMREAD_COLOR) for img_np in imgs_np] imgs_cv2 = [cv2.resize(img_cv2, size, interpolation=cv2.INTER_LINEAR) for img_cv2 in imgs_cv2] return imgs_cv2 def base64_to_cv2(img: str): # 注：仅适合图像 




 




 




 
，不适合其它numpy数组  

   

   

   

，例如bboxs(人脸标注框)的数据 # base64 -> 二进制 -> ndarray -> cv2 # 解码为二进制数据 img_codes = base64.b64decode(img) img_np = np.frombuffer(img_codes, np.uint8) img_cv2 = cv2.imdecode(img_np, cv2.IMREAD_COLOR) return img_cv2 def cv2_to_base64(image): data = cv2.imencode(.jpg, image)[1] return base64.b64encode(data.tostring()).decode(utf8) def np_to_base64(array): return base64.b64encode(array.tostring()).decode(utf8) def base64_to_np(arr_b64): return np.frombuffer(base64.b64decode(arr_b64), np.float32) # 显示cv2格式的图像 def cv2_show(img_cv2): cv2.imshow(img, img_cv2) cv2.waitKey(0) cv2.destroyAllWindows() # 画人脸标注框 def cv2_with_rectangle(img_cv2, bboxs: list): return --> 画好矩形标注框的图像 bboxs = [bbox.astype(int32) for bbox in bboxs] for bbox in bboxs: cv2.rectangle( img_cv2, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (255, 0, 0), # 蓝色 thickness=2) return img_cv2 # 计算特征向量的余弦相似度 def compare_face(emb1: np.ndarray, emb2: np.ndarray, threshold=0.6): @return -> (<numpy.bool>, <numpy.float32>) - bool: 是否为同一张人脸 - float: 余弦相似度[-1, 1]

     

     

     

 ，值越大越相似 \n @params - threshold: 判断两张人脸为同一张的余弦相似度阈值 # return --> 余弦相似度[-1, 1]  




  




  




  ，值越大  


  


  


  


，越相似 sim = np.dot(emb1, emb2) / (np.linalg.norm(emb1) * np.linalg.norm(emb2)) print(type(sim)) return sim > threshold, sim

2. compare.html

这里较为简陋地实现了浏览器中的显示效果 




    




    




    


。

<h1>人脸比一比</h1> <!-- 上传图像的表单 --> <form action="" method="post" class="mt-4" enctype="multipart/form-data"> <!-- csrf这一句好像可以删掉 --> {{ form.csrf_token }} <li>{{ form.face_img() }}</li> <li>{{ form.face_img2() }}</li> <li><input type="submit" value="Submit"></li> </form> <!-- 显示检测结果 --> {% for img_base64 in imgs_base64 %} <img src="data:image/jpeg;base64, {{ img_base64 }}" width="250" height="250"> {% endfor %} {% if imgs_base64 %} <p>是否为同一个人: <b>{{ is_like }}</b></p> <p>相似度[-1, 1]: <b>{{ how_like }}</b></p> {% endif %} <!-- 显示错误信息 --> {% if form.face_img.errors %} <div class="alert alert-danger"> {% for error in form.face_img.errors %} {{ error }} {% endfor %} </div> {% endif %}

3. forms.py

表单Face2Form将从浏览器获取两张人脸图片
     
     
     
，以对比他们是否为同一人
















。

你可能很奇怪我为什么要使Face2Form类继承ImageForm
   




   




   




   ，嗯······因为ImageForm是我上一节人脸检测时用过的 



 



 



 


，这样我之前的人脸检测就可以继续使用它                  。

from flask_wtf import FlaskForm from flask_wtf.file import FileAllowed, FileRequired, FileSize, FileField class ImageForm(FlaskForm): face_img = FileField("face_img", validators=[ FileRequired(message="不能为空"), FileAllowed([jpg, png], message="仅支持jpg/png格式"), FileSize(max_size=2048000, message="图片不能大于2Mb") ], description="图片不能大于2Mb                ，仅支持jpg/png格式" ) # 两张人脸图片 --> 用于比较人脸是否相同 class Face2Form(ImageForm): face_img2 = FileField("face_img", validators=[ FileRequired(message="不能为空"), FileAllowed([jpg, png], message="仅支持jpg/png格式"), FileSize(max_size=2048000, message="图片不能大于2Mb") ], description="图片不能大于2Mb

    




    




    




   ，仅支持jpg/png格式" )

4. insightface_api.py

需要先安装insightface的python库：

pip install -U insightfae

在运行代码时可以自动下载的模型是buffalo_l

















，如果需要使用其它模型                 ，需要另外手动下载模型文件

     



     



     



   ，并解压到~/.insightface/models/目录下  



     



     



     

。我选择的是buffalo_sc

















。因为相比前者有326MB大小
















，buffalo_sc仅有16MB  
    
    
    
，更加轻量级    
    
    
  。

模型手动下载地址：https://github.com/deepinsight/insightface/tree/master/python-package

（同时这也是insightface的python库的使用教程）

这个API接收一张base64编码格式的图片数据

     


     


     


  ，并返回以json格式为数据体的响应   


     


     


     
。返回值的结构如下：

{ embeddings: [<embedding1>, <embedding2>, ...], bboxs: [<bbox1>, <bbox2>] }

代码：

# 基本完成 from flask import Flask, jsonify, request from insightface.app import FaceAnalysis from insightface.data import get_image as ins_get_image import cv2 import numpy as np import base64 from utils import base64_to_cv2, np_to_base64 app = Flask(__name__) face_analysis = FaceAnalysis(providers=[CUDAExecutionProvider, CPUExecutionProvider], name=buffalo_sc) face_analysis.prepare(ctx_id=0, det_size=(640, 640)) @app.route(/detect, methods=[POST]) def detect_faces(): img_base64 = request.data img_cv2 = base64_to_cv2(img_base64) faces = face_analysis.get(img_cv2) embeddings = [np_to_base64(face[embedding]) for face in faces] bboxs = [np_to_base64(face[bbox]) for face in faces] # [x1, y1, x2, y2]左上角和右下角的坐标 return jsonify({"embeddings": embeddings, "bboxs": bboxs}) if __name__ == __main__: app.run(port=6000, debug=True)

5. app.py

我使用了较多的列表推导式（不久前学会的） 




 




 




 
，可能导致代码的可读性较差  

   

   

   

，我针对其中的一部分

     

     

     

 ，大致解释一下

rs = [requests.post(url=url, headers=headers, data=img_base64) for img_base64 in imgs_base64] rs_json = [r.json() for r in rs] bboxs = [r_json[bboxs] for r_json in rs_json] bboxs = [[base64_to_np(bbox) for bbox in bs] for bs in bboxs]

imgs_base64是两张图片的数据  




  




  




  ，这里其实就是前面包装的人脸识别的API发起了两次请求  


  


  


  


，每次都识别一张图片并得到一个响应对象<Response>
     
     
     
，将这两个响应放入了一个列表中
   




   




   




   ，即rs



 




 




 




。故rs的结构如下：

[<Response1>, <Response2>]

r.json()用于获取响应对象中的数据 



 



 



 


，得到列表rs_json                ，列表中的每个元素对于一张图片的识别结果：

[<r_json1>, <r_json2>]

然后将每张图片中的标注框取出就得到bboxs

    




    




    




   ，其中每个字符串是一个人脸的标注框数据编码成base64后的结果

















，由于一张图片中可以有多个人脸                 ，所以bboxs的每个元素（指内层列表）中可能有多个字符串   

   

   

 。

[[str1_1, str1_2, ...], [str2_1, str2_2, ...]]

然后将字符串解码为numpy的数组

     



     



     



   ，得到解码后的bboxs
















，大致结构如下

[[[x1, y1, x2, y2], [x1, y1, x2, y2],...] [[x1, y1, x2, y2], [x1, y1, x2, y2],...]

代码：

from flask import Flask, render_template, request import requests from forms import Face2Form import time from utils import cv2_to_base64, base64_to_np from utils import compare_face, cv2_with_rectangle, content_to_cv2 app = Flask(__name__) app.config[SECRET_KEY] = your_secret_key_here # 2. 比较两张人脸 @app.route(/compare, methods=[GET, POST]) def compare(): form = Face2Form() if form.validate_on_submit(): # 1. 从前端获取人脸图片文件 file1 = form.face_img.data file2 = form.face_img2.data files = [file1, file2] contents = [file.read() for file in files] # 2. 图片文件转cv2  
    
    
    
，并缩放到指定尺寸 imgs_cv2 = content_to_cv2(contents, (300, 250)) # 3. cv2转base64编码的字符串 --> 传给模型 imgs_base64 = [cv2_to_base64(img_cv2) for img_cv2 in imgs_cv2] # 4. 载入模型 --> 获得特征向量 + 人脸标注框 headers = {"Content-type": "application/json"} url = "http://127.0.0.1:6000/detect" rs = [requests.post(url=url, headers=headers, data=img_base64) for img_base64 in imgs_base64] rs_json = [r.json() for r in rs] embeddings = [r_json[embeddings] for r_json in rs_json] embeddings = [[base64_to_np(emb) for emb in embs] for embs in embeddings] bboxs = [r_json[bboxs] for r_json in rs_json] bboxs = [[base64_to_np(bbox) for bbox in bs] for bs in bboxs] # 5. 比较两张图片中

     


     


     


  ，各自第一张人脸的特征向量 embs = [embeddings[i][0] for i in range(len(embeddings))] is_like, how_like = compare_face(embs[0], embs[1], threshold=0.5) # 6. 框出检测到的人脸(第一张) imgs_cv2 = [cv2_with_rectangle(imgs_cv2[i], bboxs[i]) for i in range(len(imgs_cv2))] imgs_base64 = [cv2_to_base64(img_cv2) for img_cv2 in imgs_cv2] # 7. 返回比较结果 return render_template( compare.html, form=form, imgs_base64=imgs_base64, is_like=is_like, how_like=how_like) return render_template(compare.html, form=form) # --> 启动app if __name__ == __main__: app.run(debug=True, port=5000)

启动应用

注意 




 




 




 
，app.py需要和insightface_api.py同时运行  

   

   

   

，才能正常工作    

     

     

     。

python insightface_api.py python app.py

🍅 记录

1. Bugs

1.1 cv2.imshow()报错

详细信息：

Traceback (most recent call last): File "d:\code_all\code_python\Web开发基础\face_verify\compare.py", line 18, in <module> cv2_show(img) File "d:\code_all\code_python\Web开发基础\face_verify\compare.py", line 10, in cv2_show cv2.imshow(img, img_cv2) cv2.error: OpenCV(4.7.0) D:\a\opencv-python\opencv-python\opencv\modules\highgui\src\window.cpp:1272: error: (-2:Unspecified error) The function is not implemented. Rebuild the library with Windows, GTK+ 2.x or Cocoa support. If you are on Ubuntu or Debian, install libgtk2.0-dev and pkg-config, then re-run cmake or configure script in function cvShowImage

大致是说：这个错误提示表明 OpenCV 的窗口相关功能没有实现

     

     

     

 ，需要重新编译库并添加相应的支持




  




  




  




。解决方案：重装opencv库  


  


  


。

1.2 insightface人脸检测标注框错乱(💢)

如下图（左为PaddleHub的人脸检测效果  




  




  




  ，右为insightface）

我在insightface的服务端使用cv2展示的图像是正常的  


  


  


  


，并没有发生失真     
     
     
     。按理insightface作为一个之名的开源人脸识别库不至于这么糟糕
     
     
     
，那还是我的问题咯




   




   




   



。

解决：过不其然
   




   




   




   ，是因为画矩形人脸标注框的时候 



 



 



 


，有个下标打错了（本来顺序是[0, 1, 2, 3]                ，写成了[0, 1, 2, 2]）
 



 



 



。

2. 杂记

1 




 




 




 
、关于base64转numpy

在base64转numpy数组时

    




    




    




   ，要注意元素的类型

















，之前是float32                 ，解码成数组时就要写float32

     



     



     



   ，否则你可能连元素的数量都对不上
















，比如你使用了uint8（常用于图像）时                   。且经历了np --> base64 --> np的过程  
    
    
    
，多维的numpy数组将被展平 




    




    




    


。因此

     


     


     


  ，解码之后使用reshape成原来的形状 




 




 




 
，（在app间  

   

   

   

，你也可以把shape作为一条数据传过来）
















。

2  

   

   

   

、关于图片纵横比与识别效果

前面的代码中是直接将输入的图片变换为指定的尺寸

     

     

     

 ，例如**(250, 250)**  




  




  




  ，但如果原来的图片并不是正方形  


  


  


  


，这样的尺寸变换就会导致失真
     
     
     
，即图片被拉伸或压扁
   




   




   




   ，导致有时图片中的人脸无法被识别                  。

其实可以写一个保持纵横比的缩放  



     



     



     

。

🌾 小结

本次成功在浏览器中实现人脸比对的功能 



 



 



 


，对Flask框架的了解还是比较浅                ，有时想要实现某个任务但是不知道要怎么办

    




    




    




   ，不怎么会查找文档和相关的资料

















。例如

















，很疑惑jsonify()到底会给对方返回个啥                 ，对方又要如何去取出其中的数据    
    
    
  。

嗯······就感觉接触和使用不熟的东西的能力

     



     



     



   ，有待提升   


     


     


     
。

文章链接：https://cfeng.blog.csdn.net/article/details/129719839