简介

人脸识别不同于人脸检测  
    
    
 。在人脸检测中    
    
    
，我们只检测了人脸的位置   


     


     


 ，在人脸识别任务中



 




 




 ，我们识别了人的身份

     


     


     。

本文重点介绍使用库 face_recognition 实现人脸识别   

   

   

，该库基于深度学习技术    

     

     

，并承诺使用单个训练图像的准确率超过 96% 




 




 




。

识别系统用例

寻找失踪者 识别社交媒体上的帐户 识别汽车中的驾驶员 考勤系统

了解人脸识别的工作原理

我们将人的照片和他们的名字传递给模型  

   

   

。 该模型拍摄每张照片




  




  




  ，将它们转换为某种数字编码  


  


  

，并将它们存储在一个列表中     
     
     
，并将所有标签（人名）存储在另一个列表中

     

     

     。 在预测阶段




   




   




  ，当我们传递未知人的图片时
 



 



 

，识别模型会将该人的图像转换为编码  




  




  



。 在将未知人的图像转换为编码后               ，它会尝试根据距离参数找到最相似的编码  


  


  


。与未知人的编码距离最小的编码将是最接近的匹配
     
     
    。 在获得最接近的匹配编码后 




    




    




  ，我们从该列表中获取该编码的索引并使用索引
   




   




   


。我们找到检测到的人的名字 



 



 



。

传统人脸识别算法

传统的人脸识别算法不符合现代人脸识别标准              。它们旨在使用旧的传统算法识别面部

    




    




    

。

OpenCV 提供了一些传统的面部识别算法














。

Eigenfaces：http://www.scholarpedia.org/article/Eigenfaces 尺度不变特征变换 (Scale Invariant Feature Transform













，SIFT)：https://en.wikipedia.org/wiki/Scale-invariant_feature_transform Fisher faces：http://www.scholarpedia.org/article/Fisherfaces 局部二进制模式直方图 (Local Binary Patterns Histograms               ，LBPH)：https://en.wikipedia.org/wiki/Local_binary_patterns

这些方法在提取图像信息和匹配输入和输出图像的方式上有所不同              。

LBPH 算法是一种简单但非常有效的方法  



     



     



  ，仍在使用中













，但与现代算法相比速度较慢

     



     



     
。

人脸识别深度学习

有多种基于深度学习的面部识别算法可供使用














。

DeepFace DeepID series of systems FaceNet VGGFace

一般来说    
    
    
，基于地标的人脸识别器对人脸图像进行拍摄   


     


     


 ，并试图找到眉毛    
    
    
、嘴角   


     


     


 、眼睛



 




 




 、鼻子   

   

   

、嘴唇等基本特征点  
    
    
 。有60多个地标

     


     


     。

人脸识别涉及的步骤

人脸检测：定位人脸



 




 




 ，记下每个人脸定位的坐标   

   

   

，并在每个人脸周围绘制一个边界框 




 




 




。 面部对齐  

   

   

。标准化人脸以获得快速训练

     

     

     。 特征提取  




  




  



。从面部图片中提取局部特征进行训练    

     

     

，这一步由不同的算法执行不同的操作  


  


  


。 人脸识别
     
     
    。将输入人脸与我们数据集中的一个或多个已知人脸进行匹配
   




   




   


。

识别流程

使用python实现人脸识别系统 



 



 



。使用 face_recognition 库实现基于深度学习的人脸识别系统              。

1. 设置人脸识别库：

为了安装人脸识别库




  




  




  ，我们需要先安装dlib

dlib：它是一个现代 C++ 工具包  


  


  

，包含与机器学习相关的算法和工具

    




    




    

。

pip install dlib

安装实际的人脸识别库face recognition














。

pip install face recognition

Opencv用于一些图像预处理

pip install opencv

Note: Sometimes installing dlib throws error in that case install install the C++ development toolkit using vs_code community .

导入库

import cv2

import numpy as np

import face_recognition

2. 加载图片：

我们完成了库的安装和导入              。是时候将一些示例图像加载到face_recognition库中了

     



     



     
。

该face_recognition库仅支持 BGR 格式的图像














。在打印输出图像时     
     
     
，我们应该使用 OpenCV 将其转换为 RGB  
    
    
 。

Face_recognition仅加载 BGR 格式的图像

     


     


     。

import cv2 import numpy as np import face_recognition img_bgr = face_recognition.load_image_file(student_images/modi.jpg) img_rgb = cv2.cvtColor(img_bgr,cv2.COLOR_BGR2RGB) cv2.imshow(bgr, img_bgr) cv2.imshow(rgb, img_rgb) cv2.waitKey

输出→ BGR 与 RGB

3.检测和定位人脸：

face_recognition库可以自行快速定位人脸




   




   




  ，我们不需要使用haar_cascade或其他技术 




 




 




。

img_modi=face_recognition.load_image_file(student_images/modi.jpg) img_modi_rgb = cv2.cvtColor(img_modi,cv2.COLOR_BGR2RGB) #--------- Detecting Face ------- face = face_recognition.face_locations(img_modi_rgb)[0] copy = img_modi_rgb.copy() # ------ Drawing bounding boxes around Faces------------------------ cv2.rectangle(copy, (face[3], face[0]),(face[1], face[2]), (255,0,255), 2) cv2.imshow(copy, copy) cv2.imshow(MODI,img_modi_rgb) cv2.waitKey(0)

4. 样本图像识别：

该face_recognition库基于深度学习
 



 



 

，它支持单次学习               ，这意味着它需要一张图片来训练自己检测一个人  

   

   

。

img_modi = face_recognition.load_image_file(student_images/modi.jpg) img_modi = cv2.cvtColor(img_modi,cv2.COLOR_BGR2RGB) #------to find the face location face = face_recognition.face_locations(img_modi)[0] #--Converting image into encodings train_encode = face_recognition.face_encodings(img_modi)[0] #----- lets test an image test = face_recognition.load_image_file(student_images/modi2.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)) cv2.rectangle(img_modi, (face[3], face[0]),(face[1], face[2]), (255,0,255), 1) cv2.imshow(img_modi, img_modi) cv2.waitKey(0)

上面的代码拍了两张总理的照片 




    




    




  ，因为两张照片都是同一个人













，所以它返回了true

     

     

     。

face_recognition.face_encodings(imgelon)[0]→返回传递图像的编码  




  




  



。 face_recognition.compare_faces([train_encode],test_encode) 获取经过训练的编码列表和未知图像的测试编码  


  


  


。如果两个测试编码在训练编码中匹配               ，则返回True ；否则  



     



     



  ，它会返回False.

挑战

姿势：识别系统容易受到人体姿势的影响
     
     
    。面部识别系统将无法预测该人的面部是否不可见
   




   




   


。 照明：照明会极大地改变面部轮廓 



 



 



。用于人脸识别的照片应在适当的照明条件下拍摄              。 面部表情：不同的面部表情会导致对同一个人的图像的不同预测

    




    




    

。 低分辨率：低分辨率图片包含的信息较少













，因此不适合人脸识别训练














。