使用Python和OpenCV进行人脸识别
<｜begin▁of▁sentence｜># 使用 Python 和 OpenCV 进行人脸识别
> 原文： # optional
$ sudo apt-get update
$ sudo apt-get install build-essential cmake
$ sudo apt-get install libopenblas-dev liblapack-dev
$ sudo apt-get install libx11-dev libgtk-3-dev
$ sudo apt-get install python python-dev python-pip
$ sudo apt-get install python3 python3-dev python3-pip
```
***注意:*** *上面的`workon`命令是可选的，只有在使用 virtualenv + virtualenvwrapper 的情况下才使用。*
从那里，让我们安装`dlib`。我推荐从 pypi 安装`dlib`(Python 包索引)；但是，如果您想要针对您的特定系统进行编译，您可以从源代码编译。
要安装`dlib`，请使用以下命令:
```py
$ workon # optional
$ pip install dlib
```
或者
```py
$ workon # optional
$ pip install dlib==19.6.0
```
如果您需要从源代码编译`dlib`，请务必参考这篇[文章](https://pyimagesearch.com/2017/03/27/how-to-install-dlib/)以获得更多信息。
一旦`dlib`安装完毕，我们可以通过`pip`安装`face_recognition`包:
```py
$ workon # optional
$ pip install face_recognition
```
现在让我们测试一下我们的安装:
```py
$ python
>>> import face_recognition
>>>
```
如果导入时没有错误，那么您就可以开始本教程的其余部分了。
### 人脸识别数据集
[](https://pyimagesearch.com/wp-content/uploads/2018/06/face_recognition_opencv_dataset.jpg)
**Figure 3:** Our face recognition dataset consists of images of five people, each with five images per person. We will use OpenCV, Python, and deep learning for face recognition.
我们今天将使用的人脸识别数据集包含在本文的 ***【下载】*** 中。
在我们的人脸识别系统中，总共有五个人:
* 杰瑞·宋飞
* 茱莉亚·路易斯-德雷福斯
* 杰森·亚历山大
* 迈克尔·理查兹
* 我自己，特伦斯·埃德金斯
每个人有五张照片。
这些图像是在不同的光线、不同的面部表情和不同的面部方向下拍摄的，使得一个更具挑战性的数据集。
### 人脸识别项目结构
在我们开始之前，让我们看看我们的项目结构:
```py
$ tree --filelimit 10 --dirsfirst
.
├── dataset
│ ├── jerry_seinfeld [5 entries]
│ ├── julia_louis_dreyfus [5 entries]
│ ├── michael_richards [5 entries]
│ ├── terence_edkins [5 entries]
│ └── jason_alexander [5 entries]
├── examples
│ ├── example_01.png
│ ├── example_02.png
│ └── example_03.png
├── output
│ └── lunch_scene_output.avi
├── videos
│ └── lunch_scene.mp4
├── search_bing_api.py
├── encode_faces.py
├── recognize_faces_image.py
├── recognize_faces_video.py
├── recognize_faces_video_file.py
└── encodings.pickle
8 directories, 11 files
```
我们的项目有 4 个顶级目录:
* `dataset/`:包含五个人的图像，每人五张图片，如上所述。
* `examples/`:有三个测试图像，我们将使用它们来测试我们的人脸识别系统。
* `output/`:这里存储着处理过的视频(既然我们用的是电影文件，输出也会是电影文件)。
* `videos/`:输入视频文件存放在这里。该目录包含《宋飞正传》中的“午餐场景”。
还有五个 Python 文件:
* `search_bing_api.py`:第一步是建立一个数据集。我们没有手动下载图像，而是使用微软的 Bing 搜索 API 来为我们建立数据集(详情见下一节)。这个脚本将帮助我们构建数据集。
* `encode_faces.py`:该脚本运行人脸编码，即构建人脸嵌入。
* `recognize_faces_image.py`:识别静态图像中的人脸。
* `recognize_faces_video.py`:识别实时视频流中的人脸。
* `recognize_faces_video_file.py`:识别视频文件中的人脸(`.mp4`、`.avi`等)。).
此外，还有一个名为`encodings.pickle`的文件。该文件是序列化的——人脸编码(128 维向量)通过`encode_faces.py`计算并写入磁盘。然后，我们的识别脚本可以读取编码，并执行实际的人脸识别。
在我们开始之前，让我们先构建我们的人脸识别数据集。
### 创建您的人脸识别数据集
当处理人脸识别项目时，您首先需要创建一个包含您想要识别的人脸的数据集。
当然，我们可以手动下载图像，但是我个人更喜欢自动化这个过程。
为了自动构建我们的人脸识别数据集，我们将使用微软的 Bing 搜索 API(作为`face_recognition`库的一部分提供)。
***注意:**微软现在要求使用 Bing 搜索 API 的必应认知服务账户。该帐户有免费层，允许您每月进行*数千次查询*，因此您仍然可以免费使用该服务。*
要开始使用 Bing 搜索 API，您需要登录微软 Azure 门户[https://portal.azure.com/](https://portal.azure.com/)(您可能需要创建一个帐户)。
从那里，创建一个新的**必应搜索 v7** 资源( **图 4** )。
创建资源后，您需要获取您的 API 密钥，如下所示(**图 5** )。
现在您已经有了 API 密钥，打开`search_bing_api.py`文件并插入您的 API 密钥(第 10 行):
```py
# import the necessary packages
from requests import exceptions
import argparse
import requests
import cv2
import os
# construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-q", "--query", required=True,
help="search query to search Bing Image API for")
ap.add_argument("-o", "--output", required=True,
help="path to output directory of images")
args = vars(ap.parse_args())
```
您还需要安装`requests`包(如果您还没有安装的话):
```py
$ workon # optional
$ pip install requests
```
从那里，您可以运行`search_bing_api.py`脚本。这个脚本需要两个参数:
1. `--query`:您想要搜索的查询。您可能需要尝试多个查询来查找所需的结果。例如，当为“Jerry Seinfeld”搜索图像时，我最初尝试了“Jerry Seinfeld”的查询，但后来发现“Jerry Seinfeld face”产生了更好的结果。
2. `--output`:存储结果图像的输出目录的路径。该目录将被创建(如果它还不存在)。
例如，让我们为“Jerry Seinfeld face”创建一个数据集:
```py
$ python search_bing_api.py --query "jerry seinfeld face" --output dataset/jerry_seinfeld
```
然后为茱莉亚·路易-德雷福斯做同样的事情:
```py
$ python search_bing_api.py --query "julia louis dreyfus face" --output dataset/julia_louis_dreyfus
```
对其他三个人重复这个过程。
***注意:*** *我建议你检查下载的图片，删除任何不相关的图片。例如，在 Julia Louis-Dreyfus 的搜索中，我不得不删除一张包含 Julia 和 Jerry Seinfeld 的照片，因为 Jerry 已经出现在数据集中了。*
### 对人脸识别数据集进行编码
[](https://pyimagesearch.com/wp-content/uploads/2018/06/face_recognition_opencv_dataset.jpg)
**Figure 6:** Our face recognition dataset is built. We will now compute the 128-d face embeddings for each face using a deep learning feature extractor.
现在我们的人脸识别数据集已经建立，我们需要将数据集中的每张脸编码成 128 维向量。
但是在我们开始编码之前，先打开`encode_faces.py`文件，让我们检查一下:
```py
# import the necessary packages
import face_recognition
import argparse
import pickle
import cv2
import os
# construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--dataset", required=True,
help="path to input directory of faces + images")
ap.add_argument("-e", "--encodings", required=True,
help="path to serialized db of facial encodings")
ap.add_argument("-d", "--detection-method", type=str, default="cnn",
help="face detection model to use: either `hog` or `cnn`")
args = vars(ap.parse_args())
```
在第 2-6 行，我们导入所需的包。注意，我们导入了`face_recognition`，这个库将为我们完成所有的人脸识别繁重工作。
然后，我们在第 9-16 行解析三个命令行参数:
* `--dataset`:输入人脸图像数据集的路径。
* `--encodings`:输出序列化编码文件的路径。我们的脚本将计算这些编码，然后我们将它们写到磁盘上。
* `--detection-method`:在计算嵌入之前，我们首先需要检测图像中的人脸。两种人脸检测方法包括`hog`(方向梯度直方图)或`cnn`(卷积神经网络)。如果您有 GPU，请使用`cnn`方法，否则使用更快的`hog`方法。
现在我们已经定义了我们的参数，让我们抓取数据集中的图像路径:
```py
# grab the paths to the input images in our dataset
print("[INFO] quantifying faces...")
imagePaths = list(paths.list_images(args["dataset"]))
# initialize the list of known encodings and known names
knownEncodings = []
knownNames = []
```
第 20 行使用我的 [imutils](https://github.com/jrosebr1/imutils) 包中的`paths`模块创建了`imagePaths`的列表。
然后我们初始化两个列表，`knownEncodings`和`knownNames`。这两个列表将包含数据集中每个人的面部编码和相应的姓名。
让我们开始循环`imagePaths`:
```py
# loop over the image paths
for (i, imagePath) in enumerate(imagePaths):
# extract the person name from the image path
print("[INFO] processing image {}/{}".format(i + 1,
len(imagePaths)))
name = imagePath.split(os.path.sep)[-2]
# load the input image and convert it from BGR (OpenCV ordering)
# to dlib ordering (RGB)
image = cv2.imread(imagePath)
rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
```
在第 27 行，我们开始循环每个`imagePath`。
然后，我们从`imagePath`中提取此人的`name`(第 31 行)。
接下来，我们加载`image`并将其转换为`rgb`颜色通道排序。
现在让我们定位人脸并计算编码:
```py
# detect the (x, y)-coordinates of the bounding boxes
# corresponding to each face in the input image
boxes = face_recognition.face_locations(rgb,
model=args["detection_method"])
# compute the facial embedding for the face
encodings = face_recognition.face_encodings(rgb, boxes)
# loop over the encodings
for encoding in encodings
最新文章
- 汽车与未来出行的革新之路
- 发动机温度过高需立即停车检查
- 自动驾驶技术发展：从传感器融合到车路协同的未来趋势
- 自动驾驶技术突破：激光雷达与5G-V2X引领未来出行变革
- 雾灯使用全指南：避免误区，安全行车18-30字
- 2023汽车产业三大变革：固态电池突破、自动驾驶升级、车联网生态崛起
- 宝马全新电动SUV续航里程突破600公里
- 传感器融合：智能汽车“最强大脑”的炼成与保障
- 安全驾驶指南：跟车距离、刹车系统与轮胎检查要点
- 自动刹车系统提升汽车安全性能
- 电动化与智能化双轮驱动：固态电池、激光雷达、AR-HUD引领汽车产业变革
- 智能驾驶与固态电池革新：未来汽车三大技术趋势解析
- 智能座舱与自动驾驶：车联网重塑未来出行新生态
- 汽车变速箱技术进化史：从手动到智能的全面解析
- 智能座舱与车路协同：未来出行的四大技术变革
- 混合动力汽车核心技术解析：动力系统、能量回收与电池管理
- 800V高压平台引领电动汽车技术革命：电池与电驱系统全面升级
- 冷却液保养与方向盘握法：行车安全的两大关键细节
- 新手必学：5大安全驾驶技巧与雨天夜间行车指南
- 车载摄像头实时监测车道偏离预警