使用Python的人脸识别系统

1712 字丨阅读本文需 6 分钟

介绍

人脸识别不同于人脸检测。在人脸检测中,我们只检测了人脸的位置,在人脸识别任务中,我们识别了人的身份。

在本文中,我们将在人脸识别库的帮助下,使用python构建一个人脸识别系统。

市场上有许多用于人脸识别的算法。这一计算机视觉挑战是从视频和图片中检测人脸。许多应用程序可以构建在识别系统之上。许多大公司出于安全和身份验证的目的而采用识别系统。

识别系统用例

人脸识别系统在现代得到广泛应用,许多新的创新系统都建立在识别系统之上。

有几个用例:

寻找失踪者识别社交媒体上的帐户识别汽车中的驾驶员考勤系统

多种实现面部识别的算法取决于其性能和准确性。

传统人脸识别算法

传统的人脸识别算法不符合现代人脸识别标准。它们旨在使用旧的传统算法识别面部。

OpenCV 提供了一些传统的面部识别算法。

这些方法在提取图像信息和匹配输入和输出图像的方式上有所不同。

LBPH 算法是一种简单但非常有效的方法,仍在使用中,但与现代算法相比速度较慢。

人脸识别深度学习

有多种基于深度学习的面部识别算法可供使用。

DeepFaceDeepID series of systemsFaceNetVGGFace

一般来说,基于地标的人脸识别器对人脸图像进行拍摄,并试图找到眉毛、嘴角、眼睛、鼻子、嘴唇等基本特征点。有60多个地标。

人脸识别涉及的步骤

1.人脸检测:定位人脸,记下每个人脸定位的坐标,并在每个人脸周围绘制一个边界框。

2.面部对齐。标准化人脸以获得快速训练。

3.特征提取。从面部图片中提取局部特征进行训练,这一步由不同的算法执行不同的操作。

4.人脸识别。将输入人脸与我们数据集中的一个或多个已知人脸进行匹配。

本文重点介绍使用库 face_recognition 实现人脸识别,该库基于深度学习技术,并承诺使用单个训练图像的准确率超过 96%。

执行

使用python实现人脸识别系统。使用 face_recognition 库实现基于深度学习的人脸识别系统。

1. 设置人脸识别库:

为了安装人脸识别库,我们需要先安装dlib

· dlib:它是一个现代 C++ 工具包,包含与机器学习相关的算法和工具。

# installing dlib

pip install dlib

· 安装实际的人脸识别库face recognition。

# installing face recognition

pip install face recognition

· Opencv用于一些图像预处理

# installing opencv

pip install opencv


Note: Sometimes installing dlib throws error in that case install install the C++ development toolkit using vs_code community .

导入库

import cv2

import numpy as np

import face_recognition

2. 加载图片:

我们完成了库的安装和导入。是时候将一些示例图像加载到face_recognition库中了。

该face_recognition库仅支持 BGR 格式的图像。在打印输出图像时,我们应该使用 OpenCV 将其转换为 RGB。

Face_recognition仅加载 BGR 格式的图像。

import cv2

import numpy as np

import face_recognition

img_bgr = face_recognition.load_image_file('student_images/modi.jpg')

img_rgb = cv2.cvtColor(img_bgr,cv2.COLOR_BGR2RGB)

cv2.imshow('bgr', img_bgr)

cv2.imshow('rgb', img_rgb)

cv2.waitKey

输出→ BGR 与 RGB

3.检测和定位人脸:

face_recognition库可以自行快速定位人脸,我们不需要使用haar_cascade或其他技术。

img_modi=face_recognition.load_image_file('student_images/modi.jpg')

img_modi_rgb = cv2.cvtColor(img_modi,cv2.COLOR_BGR2RGB)

#--------- Detecting Face -------

face = face_recognition.face_locations(img_modi_rgb)[0]

copy = img_modi_rgb.copy()

# ------ Drawing bounding boxes around Faces------------------------

cv2.rectangle(copy, (face[3], face[0]),(face[1], face[2]), (255,0,255), 2)

cv2.imshow('copy', copy)

cv2.imshow('MODI',img_modi_rgb)

cv2.waitKey(0)

4. 样本图像识别:

该face_recognition库基于深度学习,它支持单次学习,这意味着它需要一张图片来训练自己检测一个人。

img_modi = face_recognition.load_image_file('student_images/modi.jpg')

img_modi = cv2.cvtColor(img_modi,cv2.COLOR_BGR2RGB)

#------to find the face location

face = face_recognition.face_locations(img_modi)[0]

#--Converting image into encodings

train_encode = face_recognition.face_encodings(img_modi)[0]

#----- lets test an image

test = face_recognition.load_image_file('student_images/modi2.jpg')

test = cv2.cvtColor(test, cv2.COLOR_BGR2RGB)

test_encode = face_recognition.face_encodings(test)[0]

print(face_recognition.compare_faces([train_encode],test_encode))

cv2.rectangle(img_modi, (face[3], face[0]),(face[1], face[2]), (255,0,255), 1)

cv2.imshow('img_modi', img_modi)

cv2.waitKey(0)

上面的代码拍了两张总理的照片,因为两张照片都是同一个人,所以它返回了true。

face_recognition.face_encodings(imgelon)[0]→返回传递图像的编码。

face_recognition.compare_faces([train_encode],test_encode) 获取经过训练的编码列表和未知图像的测试编码。如果两个测试编码在训练编码中匹配,则返回True ;否则,它会返回False.

了解人脸识别的工作原理

1.我们将人的照片和他们的名字传递给模型。

2.该模型拍摄每张照片,将它们转换为某种数字编码,并将它们存储在一个列表中,并将所有标签(人名)存储在另一个列表中。

3.在预测阶段,当我们传递未知人的图片时,识别模型会将该人的图像转换为编码。

4.在将未知人的图像转换为编码后,它会尝试根据距离参数找到最相似的编码。与未知人的编码距离最小的编码将是最接近的匹配。

5.在获得最接近的匹配编码后,我们从该列表中获取该编码的索引并使用索引。我们找到检测到的人的名字。

识别系统的挑战

这些都是识别系统面临的重大挑战,需要解决。

· 姿势:识别系统容易受到人体姿势的影响。面部识别系统将无法预测该人的面部是否不可见。

· 照明:照明会极大地改变面部轮廓。用于人脸识别的照片应在适当的照明条件下拍摄。

· 面部表情:不同的面部表情会导致对同一个人的图像的不同预测。

· 低分辨率:低分辨率图片包含的信息较少,因此不适合人脸识别训练。

结论

本文讨论了如何使用 python 和单次图像训练技术实现人脸识别系统。你可以进一步使用像 python Tkinter 这样的 GUI 来设计基于 GUI 的考勤系统。我们看到了影响识别系统的各种挑战以及如何解决这些挑战。


免责声明:凡注明来源本网的所有作品,均为本网合法拥有版权或有权使用的作品,欢迎转载,注明出处本网。非本网作品均来自其他媒体,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如您发现有任何侵权内容,请依照下方联系方式进行沟通,我们将第一时间进行处理。

0赞 好资讯,需要你的鼓励
来自:磐创AI
0

参与评论

登录后参与讨论 0/1000

为你推荐

加载中...