「Python」人脸识别应用

人脸识别主要步骤：

face_recognition 库的安装

安装此库，首先须要安装编译dlib,此处咱们偷个懒，安装软件Anaconda（大牛绕过），此软件预装了dlib.

安装好后，咱们直接经过pip 安装face_recognition库，命令以下

python -m pip install face_recognition

调用一下库，检查是否成功导入

没报错，就是安装成功了。

按照以上办法在安装numpy 和python-opencv 两个库就能够了

经过face_recognition库实现人脸识别

代码以下

# -*- coding: UTF-8 -*-
import face_recognition
import cv2
import os
# 这是一个超级简单（但很慢）的例子，在你的网络摄像头上实时运行人脸识别
# PLEASE NOTE: This example requires OpenCV (the `cv2` library) to be installed only to read from your webcam.
# 请注意：这个例子须要安装OpenCV
# 具体的演示。若是你安装它有困难，试试其余不须要它的演示。
# 获得一个参考的摄像头# 0（默认）
video_capture = cv2.VideoCapture(0)
# 加载示例图片并学习如何识别它。
path ="images"#在同级目录下的images文件中放须要被识别出的人物图
total_image=[]
total_image_name=[]
total_face_encoding=[]
for fn in os.listdir(path): #fn 表示的是文件名
 total_face_encoding.append(face_recognition.face_encodings(face_recognition.load_image_file(path+"/"+fn))[0])
 fn=fn[:(len(fn)-4)]#截取图片名（这里应该把images文件中的图片名命名为为人物名）
 total_image_name.append(fn)#图片名字列表
while True:
 # 抓取一帧视频
 ret, frame = video_capture.read()
 # 发如今视频帧全部的脸和face_enqcodings
 face_locations = face_recognition.face_locations(frame)
 face_encodings = face_recognition.face_encodings(frame, face_locations)
 # 在这个视频帧中循环遍历每一个人脸
 for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
 # 看看面部是否与已知人脸相匹配。
 for i,v in enumerate(total_face_encoding):
 match = face_recognition.compare_faces([v], face_encoding,tolerance=0.5)
 name = "Unknown"
 if match[0]:
 name = total_image_name[i]
 break
 # 画出一个框，框住脸
 cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
 # 画出一个带名字的标签，放在框下
 cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 0, 255), cv2.FILLED)
 font = cv2.FONT_HERSHEY_DUPLEX
 cv2.putText(frame, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)
 # 显示结果图像
 cv2.imshow('Video', frame)
 # 按q退出
 if cv2.waitKey(1) & 0xFF == ord('q'):
 break
# 释放摄像头中的流
video_capture.release()
cv2.destroyAllWindows()

其次还要准备一个images文件夹进行摄像头的人脸比对

成功的效果图我就不贴了。

私信小编01 02 03 04 便可获取数十套PDF哦！

原理以下：

1.遍历images文件中的图片

2.提取特征脸

3.摄像头每帧提取图片，提取特诊脸

4.遍历特征列表，找出符合特征脸

5.输出名字

一、从特征中找出图片中的人脸

import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_locations = face_recognition.face_locations(image)

二、找到而且控制图像中的脸部特征

import face_recognition 
image = face_recognition.load_image_file("your_file.jpg") 
face_landmarks_list = face_recognition.face_landmarks(image)

三、识别照片中的人脸

import face_recognition
known_image = face_recognition.load_image_file("biden.jpg")
unknown_image = face_recognition.load_image_file("unknown.jpg")
biden_encoding = face_recognition.face_encodings(known_image)
[0]unknown_encoding = face_recognition.face_encodings(unknown_image)
[0]results = face_recognition.compare_faces([biden_encoding], unknown_encoding)

0×02 总结

总的来讲，该开源库使得人脸识别的普及实现再也不那么的遥远。调用该库，只需几行代码，即可实现人脸识别。有什么问题能够在下面评论讨论哦，各路大牛勿喷。

* 本文做者：淼淼兮与怀，本文属FreeBuf原创奖励计划，未经许可禁止转载

Python+树莓派+YOLO打造一款人工智能相机

2018年1月2日 BY ALPHA_H4CK·PYTHON+树莓派+YOLO打造一款人工智能相机

已关闭评论

不久以前，亚马逊刚刚推出了DeepLens。这是一款专门面向开发人员的全球首个支持深度学习的摄像机，它所使用的机器学习算法不只能够检测物体活动和面部表情，并且还能够检测相似弹吉他等复杂的活动。虽然DeepLens还未正式上市，但智能摄像机的概念已经诞生了。

今天，咱们将本身动手打造出一款基于深度学习的照相机，当小鸟出如今摄像头画面中时，它将能检测到小鸟并自动进行拍照。最终成品所拍摄的画面以下所示：

相机不傻，它能够很机智

咱们不打算将一个深度学习模块整合到相机中，相反，咱们准备将树莓派“挂钩”到摄像头上，而后经过WiFi来发送照片。本着“一切从简”（穷）为核心出发，咱们今天只打算搞一个跟DeepLens相似的概念原型，感兴趣的同窗能够本身动手尝试一下。

接下来，咱们将使用Python编写一个Web服务器，树莓派将使用这个Web服务器来向计算机发送照片，或进行行为推断和图像检测。

咱们这里所使用的计算机其处理能力会更强，它会使用一种名叫YOLO的神经网络架构来检测输入的图像画面，并判断小鸟是否出如今了摄像头画面内。

咱们得先从YOLO架构开始，由于它是目前速度最快的检测模型之一。该模型专门给Tensorflow（谷歌基于DistBelief进行研发的第二代人工智能学习系统）留了一个接口，因此咱们能够轻松地在不一样的平台上安装和运行这个模型。友情提示，若是你使用的是咱们本文所使用的迷你模型，你还能够用CPU来进行检测，而不仅是依赖于价格昂贵的GPU。

接下来回到咱们的概念原型上… 若是像框内检测到了小鸟，那咱们就保存图片并进行下一步分析。

检测与拍照

正如咱们所说的，DeepLens的拍照功能是整合在计算机里的，因此它能够直接使用板载计算能力来进行基准检测，并肯定图像是否符合咱们的标准。

可是像树莓派这样的东西，咱们其实并不须要使用它的计算能力来进行实时计算。所以，咱们准备使用另外一台计算机来推断出如今图像中的内容。

我使用的是一台简单的Linux计算机，它带有一个摄像头以及WiFi无线网卡（树莓派3+摄像头），而这个简单的设备将做为个人深度学习机器并进行图像推断。对我来讲，这是目前最理想的解决方案了，这不只大大缩减了个人成本，并且还可让我在台式机上完成全部的计算。

固然了，若是你不想使用树莓派视频照相机的话，你也能够选择在树莓派上安装OpenCV 3来做为方案B，具体的安装方法请参考【这份文档】。友情提示，安装过程可谓是很是的麻烦！

接下来，咱们须要使用Flask来搭建Web服务器，这样咱们就能够从摄像头那里获取图像了。这里我使用了MiguelGrinberg所开发的网络摄像头服务器代码（Flask视频流框架），并建立了一个简单的jpg终端：

#!/usr/bin/envpython
from import lib import import_module
import os
from flask import Flask, render_template, Response
 
#uncomment below to use Raspberry Pi camera instead
#from camera_pi import Camera
 
#comment this out if you're not using USB webcam
from camera_opencv import Camera
 
app =Flask(__name__)
 
@app.route('/')
def index():
 return "hello world!"
 
def gen2(camera):
 """Returns a single imageframe"""
 frame = camera.get_frame()
 yield frame
 
@app.route('/image.jpg')
def image():
 """Returns a single currentimage for the webcam"""
 return Response(gen2(Camera()),mimetype='image/jpeg')
 
if __name__ == '__main__':
app.run(host='0.0.0.0', threaded=True)

若是你使用的是树莓派视频照相机，请确保没有注释掉上述代码中from camera_pi那一行，而后注释掉from camera_opencv那一行。

你能够直接使用命令python3 app.py或gunicorn来运行服务器，这跟Miguel在文档中写的方法是同样的。若是咱们使用了多台计算机来进行图像推断的话，咱们还能够利用Miguel所开发的摄像头管理方案来管理摄像头以及计算线程。

当咱们启动了树莓派以后，首先须要根据IP地址来判断服务器是否正常工做，而后尝试经过Web浏览器来访问服务器。

URL地址格式相似以下：

http://192.168.1.4:5000/image.jpg

在树莓派中加载Web页面及图像来肯定服务器是否正常工做：

图像导入及推断

既然咱们已经设置好了终端来加载摄像头当前的图像内容，咱们就能够构建一个脚原本捕捉图像并推断图像中的内容了。

这里咱们须要用到request库（一个优秀的Python库，用于从URL地址获取文件资源）以及Darkflow（YOLO模型基于Tensorflow的实现）。

不幸的是，咱们没办法使用pip之类的方法来安装Darkflow，因此咱们须要克隆整个代码库，而后本身动手完成项目的构建和安装。安装好Darkflow项目以后，咱们还须要下载一个YOLO模型。

由于我使用的是速度比较慢的计算机和板载CPU（而不是速度较快的GPU），因此我选择使用YOLO v2迷你网络。固然了，它的功能确定没有完整的YOLO v2模型的推断准确性高啦！

配置完成以后，咱们还须要在计算机中安装Pillow、numpy和OpenCV。最后，咱们就能够完全完成咱们的代码，并进行图像检测了。

最终的代码以下所示：

from darkflow.net.build import TFNet
import cv2
 
from io import BytesIO
import time
import requests
from PIL import Image
import numpy as np
 
options= {"model": "cfg/tiny-yolo-voc.cfg", "load":"bin/tiny-yolo-voc.weights", "threshold": 0.1}
 
tfnet= TFNet(options)
 
birdsSeen= 0
def handleBird():
 pass
 
whileTrue:
 r =requests.get('http://192.168.1.11:5000/image.jpg') # a bird yo
 curr_img = Image.open(BytesIO(r.content))
 curr_img_cv2 =cv2.cvtColor(np.array(curr_img), cv2.COLOR_RGB2BGR)
 
 result = tfnet.return_predict(curr_img_cv2)
 print(result)
 for detection in result:
 if detection['label'] == 'bird':
 print("bird detected")
 birdsSeen += 1
 curr_img.save('birds/%i.jpg' %birdsSeen)
 print('running again')
time.sleep(4)

此时，咱们不只能够在命令控制台中查看到树莓派所检测到的内容，并且咱们还能够直接在硬盘中查看保存下来的小鸟照片。接下来，咱们就可使用YOLO来标记图片中的小鸟了。

假阳性跟假阴性之间的平衡

咱们在代码的options字典中设置了一个threshold键，这个阈值表明的是咱们用于检测图像的某种成功率。在测试过程当中，咱们将其设为了0.1，可是如此低的阈值会给咱们带来是更高的假阳性以及误报率。更糟的是，咱们所使用的迷你YOLO模型准确率跟完整的YOLO模型相比，差得太多了，但这也是须要考虑的一个平衡因素。

下降阈值意味着咱们能够获得更多的模型输出（照片），在个人测试环境中，我阈值设置的比较低，由于我想获得更多的小鸟照片，不过你们能够根据本身的须要来调整阈值参数。