合作专线:17362615757
行业资讯

AI科技

当前位置:首页 > 行业资讯 > AI科技

实战技术 | 如何用极快的速度孩子学会gensim人脸照片快速识别其开发?

作者 | 小宋是呢
来源 | 转载自小宋是呢项目GitHub地址:1.背景介绍Dlib是一个深度学习开源工具,基于C++开发,也支持Python开发接口,功能类似于TensorFlow与PyTorch。但是由于Dlib对于人脸特征提取支持很好,有很多训练好的人脸特征提取模型供开发者使用,所以Dlib人脸识别开发很适合做人脸项目开发。上面所说的人脸识别开发,主要是指人脸验证,就是输入两张人脸照片,系统会对比输出0或者1,代表判断是否是同一个人。一般的人脸识别开发可以简单分为1.人脸特征建模与2.使用人脸特征模型进行验证(其实还应包括人脸对齐等,这些也可以划分到1中)。使用Dlib进行开发时,我们直接可以使用训练好的人脸特征提取模型,主要的工作就变成了如何进行人脸的验证。人脸的验证其实就是计算相似度,同一个人的相似度就会大,不同的人就会比较小。可以采用余弦相似度或者欧式距离来计算相似度。其中余弦相似度就是计算角度,欧式距离就是指平方差。都可以用来表示两个特征的相似度(距离)。2.环境搭建安装可以参考我的这篇博客:[深度学习工具]·极简安装Dlib人脸识别库,下面说一下需要注意的点::此博文针对Windows10安装,其他平台可以仿照这个步骤来安装安装Miniconda使用conda指令来安装Dlib库,使用Miniconda与Anaconda都可以,我习惯用Miniconda,简单占用内存小。推荐使用清华源,下载安装,选择合适的平台版本。python==3.6安装dlib注意一定要以管理员身份进入CMD,执行(如果是Linux Mac 就使用 sudo)conda install -c conda-forge dlib需要imageio 库,可以使用下述命令安装
conda install imageio3.开发实战
1.实现人脸检测标记face_test.pyimport dlibfrom imageio import imreadimport globdetector = dlib.get_frontal_face_detector()win = dlib.image_window()path = "f1.jpg"img = imread(path)dets = detector(img)print('检测到了 %d 个人脸' % len(dets))for i, d in enumerate(dets):print('- %d:Left %d Top %d Right %d Bottom %d' % (i, d.left(), d.top(), d.right(), d.bottom()))
win.clear_overlay()win.set_image(img)win.add_overlay(dets)dlib.hit_enter_to_continue()代码很简单,通过imread读取照片,然后进行检测,输出结果为dets的list,有几张人脸就会有几个item, 每个item都有.left(), .top(), .right(), .bottom()四个元素,代表人脸框的四个边界位置。最后通过win.add_overlay(dets)可以将标记的框显示在原图上。原始照片输出照片其实我们就可以使用这个功能做一个简单的应用,用来检测图片或者视频中人脸的个数。2.人脸特征点提取在实战1的基础上添加人脸特征提取功能。import dlibfrom imageio import imreadimport globdetector = dlib.get_frontal_face_detector()win = dlib.image_window()predictor_path = 'shape_predictor_68_face_landmarks.dat'predictor = dlib.shape_predictor(predictor_path)path = "f2.jpg"img = imread(path)dets = detector(img)print('检测到了 %d 个人脸' % len(dets))for i, d in enumerate(dets):print('- %d: Left %d Top %d Right %d Bottom %d' % (i, d.left(), d.top(), d.right(), d.bottom()))
shape = predictor(img, d)
# 第 0 个点和第 1 个点的坐标
print('Part 0: {}, Part 1: {}'.format(shape.part(0), shape.part(1)))
win.clear_overlay()win.set_image(img)win.add_overlay(dets)win.add_overlay(shape)dlib.hit_enter_to_continue()这段代码就是在test.py基础上加入了shape_predictor功能,使之可以在检测出人脸基础上,找到人脸的68个特征点。反映在图中就是蓝色的线。原始图片输出图片注意运行这段代码需要这个文件predictor_path = 'shape_predictor_68_face_landmarks.dat',我会放在我的github中,方便大家下载使用。3.人脸识别验证在第二步的基础上,我们再进一步,实现将人脸提取为特征向量,从而我们就可以对特征向量进行比对来实现人脸的验证,这里采用的是对比欧式距离的方法。face_recognition.pyimport dlibfrom imageio import imreadimport globimport numpy as npdetector = dlib.get_frontal_face_detector()predictor_path = 'shape_predictor_68_face_landmarks.dat'predictor = dlib.shape_predictor(predictor_path)face_rec_model_path = 'dlib_face_recognition_resnet_model_v1.dat'facerec = dlib.face_recognition_model_v1(face_rec_model_path)def get_feature(path):img = imread(path)
dets = detector(img)
print('检测到了 %d 个人脸' % len(dets))
# 这里假设每张图只有一个人脸
shape = predictor(img, dets[0])
face_vector = facerec.compute_face_descriptor(img, shape)
return(face_vector)
def distance(a,b):a,b = np.array(a), np.array(b)
sub = np.sum((a-b)**2)
add = (np.sum(a**2)+np.sum(b**2))/2.
return sub/add
path_lists1 = ["f1.jpg","f2.jpg"]path_lists2 = ["赵丽颖照片.jpg","赵丽颖测试.jpg"]feature_lists1 = [get_feature(path) for path in path_lists1]feature_lists2 = [get_feature(path) for path in path_lists2]print("feature 1 shape",feature_lists1[0].shape)out1 = distance(feature_lists1[0],feature_lists1[1])out2 = distance(feature_lists2[0],feature_lists2[1])print("diff distance is",out1)print("same distance is",out2)out1 = distance(feature_lists1[0],feature_lists1[1])out2 = distance(feature_lists2[0],feature_lists2[1])输出结果检测到了 1 个人脸检测到了 1 个人脸检测到了 1 个人脸检测到了 1 个人脸feature 1 shape (128, 1)diff distance is 0.254767715912same distance is 0.0620976363391我们可以看出,每张人脸都被提取为了128维的向量,我们可以理解为128维的坐标(xyz是三维,128维就是有128个轴组成),我们下面需要做的就是计算两个特征的距离,设定好合适的阈值,小于这个阈值则识别为同一个人。代码正确运行需要这个文件face_rec_model_path = 'dlib_face_recognition_resnet_model_v1.dat',我已经放在自己的github()中,方便大家使用。
我们从上面测试的结果可以看出,不同的距离为0.25,同一个人为0.06,阈值就可以先设置为其间的一个值。我这里先设置为0.09,这个阈值也是需要大量数据来计算的,选择的准则为使错误识别为最低。下面我们把阈值设置为0.09,来测试系统能否区分出不同的人:在face_recognition.py加入下面代码def classifier(a,b,t = 0.09):if(distance(a,b)<=t):
ret = True
else :
ret = False
return(ret)
print("f1 is 赵丽颖",classifier(feature_lists1[0],feature_lists2[1]))print("f2 is 赵丽颖",classifier(feature_lists1[1],feature_lists2[1]))print("赵丽颖照片.jpg is 赵丽颖测试.jpg",classifier(feature_lists2[0],feature_lists2[1]))输出结果f1 is 赵丽颖 Falsef2 is 赵丽颖 False赵丽颖照片.jpg is 赵丽颖测试.jpg True从上面可以看出,已基本满足对人脸区分的功能,如果如要实用化则需要继续调优阈值与代码,调优的准则就是选择合适的阈值使错误识别为最低。Hope this helps原文链接:
◆精彩推荐◆
参与投稿加入作者群,成为全宇宙最优秀的技术人~

6月29-30日,2019以太坊技术及应用大会 特邀以太坊创始人V神与以太坊基金会核心成员,以及海内外知名专家齐聚北京,聚焦前沿技术,把握时代机遇,深耕行业应用,共话以太坊2.0新生态。
扫码或点击阅读原文,既享优惠购票!

推荐阅读Bert时代的创新:Bert在NLP各领域的应用进展 | 技术头条免费GPU哪家强?谷歌Kaggle vs. Colab高能!8段代码演示Numpy数据运算的神操作Python编写循环的两个建议 | 鹅厂实战Lambda 表达式有何用处?9年前他用1万个比特币买了两个披萨, 9年后他把当年的代码卖给了苹果,成为了 GPU 挖矿之父TIOBE 6月编程语言排行榜:Python 势不可挡,或在四年之内超越Java、C漫威金刚狼男主弃影炒币了?
你点的每个“在看”,我都认真当成了喜欢
粤ICP备19111974号