工具与图书馆
若要安装上述软件包，请使用以下命令。
|
1
|
pip install numpy opencv-python |
要安装FaceRecognition，首先安装dlib包。
|
1
|
pip install dlib |
现在，使用以下命令安装面部识别模块
|
1
|
pip install face_recognition |
下载人脸识别Python代码
请下载python面部识别项目的源代码： 人脸识别工程代码
项目数据集
我们可以使用我们自己的数据集来完成这个人脸识别项目。对于这个项目，让我们以受欢迎的美国网络系列“老友记”为数据集。该数据集包含在面部识别项目代码中，您在上一节中下载了该代码。
建立人脸识别模型的步骤
在继续之前，让我们知道什么是人脸识别和检测。
人脸识别是从照片和视频帧中识别或验证一个人的脸的过程。
人脸检测是指在图像中定位和提取人脸(位置和大小)以供人脸检测算法使用的过程。
人脸识别方法用于定位图像中唯一指定的特征。在大多数情况下，面部图片已经被移除、裁剪、缩放和转换为灰度。人脸识别包括三个步骤：人脸检测、特征提取、人脸识别。
OpenCV是一个用C++编写的开源库.它包含了用于计算机视觉任务的各种算法和深度神经网络的实现。
1.准备数据集
创建2个目录，训练和测试。从互联网上为每个演员选择一个图片，并下载到我们的“火车”目录中。确保您所选择的图像能够很好地显示人脸的特征，以便对分类器进行分类。
为了测试模型，让我们拍摄一张包含所有强制转换的图片，并将其放到我们的“test”目录中。
为了您的舒适，我们增加了培训和测试数据与项目代码。
2.模型的训练
首先导入必要的模块。
|
1
2
3
4
5
|
import face_recognition as frimport cv2 import numpy as npimport os |
人脸识别库包含帮助人脸识别过程的各种实用程序的实现。
现在，创建2个列表来存储图像(人员)的名称及其各自的脸编码。
|
1
2
3
4
5
6
|
path = "./train/" known_names = []known_name_encodings = [] images = os.listdir(path) |
人脸编码是一种值的矢量，它代表着脸部特征之间的重要度量，如眼睛之间的距离、额头的宽度等。
我们循环遍历火车目录中的每个图像，提取图像中的人的姓名，计算其脸编码向量，并将信息存储在相应的列表中。
|
1
2
3
4
5
6
7
|
for _ in images:image = fr.load_image_file(path + _)image_path = path + _encoding = fr.face_encodings(image)[0] known_name_encodings.append(encoding)known_names.append(os.path.splitext(os.path.basename(image_path))[0].capitalize()) |
3.在测试数据集中测试模型
如前所述，我们的测试数据集只包含一个包含所有人员的图像。
使用CV2 imread()方法读取测试映像。
|
1
2
3
|
test_image = "./test/test.jpg" image = cv2.imread(test_image) |
人脸识别库提供了一种名为Face_Locations()的有用方法，它定位图像中检测到的每个人脸的坐标(左、下、右、上)。使用这些位置值，我们可以很容易地找到脸编码。
|
1
2
3
|
face_locations = fr.face_locations(image) face_encodings = fr.face_encodings(image, face_locations) |
我们循环遍历每个面部位置及其在图像中的编码。然后，我们将这种编码与“列车”数据集中的人脸编码进行比较。
然后计算人脸距离，即计算测试图像编码和训练图像编码之间的相似性。现在，我们从它选取最小值距离，表示测试图像的这张脸是训练数据集中的人之一。
现在，使用CV2模块中的方法绘制一个带有面部位置坐标的矩形。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings): matches = fr.compare_faces(known_name_encodings, face_encoding) name = "" face_distances = fr.face_distance(known_name_encodings, face_encoding) best_match = np.argmin(face_distances) if matches[best_match]: name = known_names[best_match] cv2.rectangle(image, (left, top), (right, bottom), (0, 0, 255), 2) cv2.rectangle(image, (left, bottom - 15), (right, bottom), (0, 0, 255), cv2.FILLED) font = cv2.FONT_HERSHEY_DUPLEX cv2.putText(image, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1) |
使用CV2模块的imShow()方法显示图像。
|
1
|
cv2.imshow("Result", image) |
使用imwrite()方法将图像保存到当前工作目录中。
|
1
|
cv2.imwrite("./output.jpg", image) |
释放未被释放的资源(如果有的话)。
|
1
2
|
cv2.waitKey(0)cv2.destroyAllWindows() |
Python人脸识别输出
让我们看看模型的输出。
摘要
在这个机器学习项目中，我们使用我们自己的自定义数据集，在python和OpenCV中开发了一个人脸识别模型。
到此这篇关于教你如何用Python实现人脸识别（含源代码）的文章就介绍到这了,更多相关Python人脸识别内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://blog.csdn.net/python588/article/details/117927777
