手把手教你用Python寫個(gè)簡單又強(qiáng)大的人臉識(shí)別系統(tǒng)

首先face_recognition項(xiàng)目開源地址是：https://github.com/ageitgey/face_recognition

網(wǎng)上有比較完整的API說明以及實(shí)例應(yīng)用，我這里就不多去說明了。首先，使用face_recognition需要安裝，可以通過pip完成。

安裝完成后就可以使用了，在編碼前可以通過簡單的測試來檢驗(yàn)是否安裝成功，如下所示：

成功安裝后，就可以進(jìn)入使用了。

1、定位圖像中的人臉

def demoFunc():
    '''
    在一張包含人臉的圖片中圈出來人臉
    '''
    image = face_recognition.load_image_file("test.jpg")
    face_locations = face_recognition.face_locations(image)
    for one in face_locations:   
        y0, x1, y1, x0=one
        cv2.rectangle(image, pt1=(x0, y0), pt2=(x1, y1), color=(0, 0, 255), thickness=3)
    cv2.imshow('aaa', image)
    if cv2.waitKey(0) & 0xFF == ord('q'):
        cv2.destroyAllWindows()

從網(wǎng)上隨便找了一張圖片，如下所示：

定位結(jié)果如下所示：

感覺還是很強(qiáng)大的，當(dāng)然了，在我實(shí)踐的過程中也發(fā)現(xiàn)了部分圖像識(shí)別檢測人臉失敗的問題，這個(gè)畢竟不是一個(gè)百分之百的問題，face_recognition更像是一個(gè)基礎(chǔ)框架，幫助我們更加高效地去構(gòu)建自己的人臉識(shí)別的相關(guān)應(yīng)用。

2、切割圖像中的每個(gè)人臉保存本地

def demoFunc():
    '''
    圖片中人臉截圖保存
    '''
    img = cv2.imread("test.jpg")
    image = face_recognition.load_image_file("test.jpg")
    face_locations = face_recognition.face_locations(image)  #(top, right, bottom, left)
    for i in range(len(face_locations)):
        y0, x1, y1, x0 = face_locations[i]
        cropped = img.crop((x0,y0,x1,y1))  # (left, upper, right, lower)  左上角  右下角
        cropped.save(str(i)+"_.jpg")
        cropped.show()

使用的原始圖像同上，結(jié)果如下所示：

五張人臉都檢測成功，并且保存成功，這里主要是要注意一些face_locations這個(gè)函數(shù)的返回結(jié)果，返回的子列表中每個(gè)子列表包含4個(gè)元素，分別是單張人臉圖像的左上頂點(diǎn)和右下頂點(diǎn)坐標(biāo)，主要需要注意的是這四個(gè)參數(shù)的順序，我給出來的結(jié)果中(x0,y0)表示左上頂點(diǎn)的坐標(biāo)，(x1,y1)表示右下頂點(diǎn)的坐標(biāo)。

3、將圖像中的每個(gè)人臉編碼成一個(gè)128維的向量

def demoFunc():
    '''
    將圖片中的每張人臉編碼成一個(gè)128維長度的向量
    '''
    image = face_recognition.load_image_file("cl.jpg")
    face_locations = face_recognition.face_locations(image)  #(top, right, bottom, left) 
    face_encodings = face_recognition.face_encodings(image, face_locations)  #將單個(gè)人臉數(shù)據(jù)轉(zhuǎn)化為一個(gè)128維的向量
    for one in face_encodings:
        print('one: ',one)

進(jìn)行到這里就不得不去講一下face_recognition的一些應(yīng)用原理，下面是我的一些總結(jié)，如有不當(dāng)歡迎指教。

face_recognition模塊人臉識(shí)別應(yīng)用實(shí)現(xiàn)的原理：

(１) 給定想要識(shí)別的人臉的圖片并對(duì)其進(jìn)行編碼（每個(gè)人只需要一張），并將這些不同的人臉編碼構(gòu)建成一個(gè)列表。編碼其實(shí)就是將人臉圖片映射成一個(gè)１２８維的特征向量。

(２) 計(jì)算圖像向量之間的相似度根據(jù)閾值或者是容錯(cuò)度來決定是否是同一個(gè)人。

(３) 輸出識(shí)別結(jié)果標(biāo)簽。

毫不夸張地說，face_recognition整個(gè)的核心就在于這一塊的向量化處理中，輸入的每一張人臉圖像都會(huì)被轉(zhuǎn)化為一個(gè)128維的特征向量進(jìn)行存儲(chǔ)，128維特征向量的生成也是一個(gè)算法在里面的感興趣的話可以去查一下深入了解一下，我這里就不展開了，之后的人臉識(shí)別就轉(zhuǎn)化為了兩個(gè)人臉圖像之間向量相似度的問題了。

這里使用一張成龍大哥的圖像來進(jìn)行測試，原始圖像如下所示：

向量化結(jié)果如下：

如果自己想要構(gòu)建自己的個(gè)性化應(yīng)用的話一般會(huì)選擇在這里進(jìn)行改造，首先就是需要保存這里的特征向量。

4、輸入兩張人臉圖像，判斷是否是同一個(gè)人

def demoFunc(one_pic='c1.jpg',two_pic='c2.jpg'):
    '''
    給定兩張圖片，判斷是否是同一個(gè)人
    '''
    chenglong = face_recognition.load_image_file(one_pic)
    unknown_image = face_recognition.load_image_file(two_pic)
    biden_encoding = face_recognition.face_encodings(chenglong)[0]
    unknown_encoding = face_recognition.face_encodings(unknown_image)[0]
    results = face_recognition.compare_faces([biden_encoding], unknown_encoding)
    print('results: ',results)
    return results[0]

這里其實(shí)跟上面第三部分的有點(diǎn)相似，這部分是建立在第三部分基礎(chǔ)上的只不過是自帶了compare_faces這個(gè)相似度計(jì)算接口，這里其實(shí)可以自己去實(shí)現(xiàn)替換的。

同樣，使用了兩張成龍大哥的圖像來進(jìn)行測試，原始圖像如下所示：

測試結(jié)果如下：

5、臉部關(guān)鍵點(diǎn)識(shí)別和標(biāo)注

def demoFunc(pic_path='cl.jpg'):
    '''
    臉部關(guān)鍵點(diǎn)識(shí)別、標(biāo)注
    '''
    image = face_recognition.load_image_file(pic_path)
    face_landmarks_list = face_recognition.face_landmarks(image)
    print("I found {} face(s) in this photograph.".format(len(face_landmarks_list)))
    pil_image = Image.fromarray(image)
    d = ImageDraw.Draw(pil_image)
    for face_landmarks in face_landmarks_list:
        for facial_feature in face_landmarks.keys():
            print("The {} in this face has the following points: {}".format(facial_feature, face_landmarks[facial_feature]))
        for facial_feature in face_landmarks.keys():
            d.line(face_landmarks[facial_feature], width=5)
    pil_image.show()

臉部的關(guān)鍵點(diǎn)包括：鼻子、嘴巴、眼睛、眉毛等，這里還是用的上面成龍大哥的圖片，下面的結(jié)果輸出：

6、化妝

這部分是建立在第五部分基礎(chǔ)上的，得到的面部的特征以后就可以進(jìn)行自動(dòng)化妝了，下面是具體的實(shí)現(xiàn)：

def demoFunc(pic_path="haiwang.jpg"):
    '''
    化妝
    '''
    image = face_recognition.load_image_file(pic_path)
    face_landmarks_list = face_recognition.face_landmarks(image)
    pil_image = Image.fromarray(image)
    for face_landmarks in face_landmarks_list:
        demo = ImageDraw.Draw(pil_image, 'RGBA')
        demo.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))
        demo.polygon(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 128))
        demo.line(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 150), width=2)
        demo.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=2)
        demo.polygon(face_landmarks['top_lip'], fill=(150, 0, 0, 128))
        demo.polygon(face_landmarks['bottom_lip'], fill=(150, 0, 0, 128))
        demo.line(face_landmarks['top_lip'], fill=(150, 0, 0, 64), width=2)
        demo.line(face_landmarks['bottom_lip'], fill=(150, 0, 0, 64), width=2)
        demo.polygon(face_landmarks['left_eye'], fill=(255, 255, 255, 30))
        demo.polygon(face_landmarks['right_eye'], fill=(255, 255, 255, 30))
        demo.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(0, 0, 0, 110), width=2)
        demo.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(0, 0, 0, 110), width=2)
        pil_image.show()

這里使用海王的一張圖片來進(jìn)行測試，原始圖像如下所示：

處理后結(jié)果如下：

還可以是這樣的：

7、基于face_recognition構(gòu)建自己的簡單人臉識(shí)別應(yīng)用

上面介紹了很多face_recognition的應(yīng)用，這里才是最重要的內(nèi)容我覺得是這樣的，基于已有的功能來實(shí)現(xiàn)我們自己的個(gè)性化應(yīng)用，我這里只是簡單的拋磚引玉，給出來自己的最最簡單的實(shí)現(xiàn)：

def faceRecognitionDemo(picDir='data/', test_pic='test.png'):
    '''
    基于 face_recognition 構(gòu)建人臉識(shí)別模塊
    '''
    pic_list=os.listdir(picDir)
    for one_pic in pic_list:
        one_pic_path=picDir+one_pic
        one_res=demo6(one_pic=one_pic_path,two_pic=test_pic)
        one_name=one_pic.split('.')[0].strip()
        if one_res:
            print('This Person is: ', one_name)
            break
        else:
            print('This Person is not: ', one_name)

data文件夾數(shù)據(jù)截圖如下：

test.png內(nèi)容如下：

結(jié)果輸出如下：

當(dāng)然了，實(shí)時(shí)計(jì)算肯定當(dāng)前的計(jì)算方式不能滿足的，這個(gè)只是一個(gè)最簡單的應(yīng)用而已，只想在這里拋磚引玉，這里是通過調(diào)用了face_recognition接口的形式來完成相似判定的工作的，還有一種非常常見的辦法，就是在得到人臉圖像的128維特征向量之后，就可以將人臉識(shí)別問題轉(zhuǎn)化為基于機(jī)器學(xué)習(xí)模型的一個(gè)簡單分類問題了，比如SVM、RF、GBDT等都可以非常出色地完成上面的任務(wù)。