介紹

在本文中，你將學(xué)習(xí)如何使用 Python 構(gòu)建人臉識(shí)別系統(tǒng)。人臉識(shí)別比人臉檢測更進(jìn)一步。在人臉檢測中，我們只檢測人臉在圖像中的位置，但在人臉識(shí)別中，我們制作了一個(gè)可以識(shí)別人的系統(tǒng)。

“人臉識(shí)別是驗(yàn)證或識(shí)別圖片或視頻中的人的挑戰(zhàn)。大型科技巨頭仍在努力打造更快、更準(zhǔn)確的人臉識(shí)別模型。”

人臉識(shí)別的實(shí)際應(yīng)用

人臉識(shí)別目前正被用于讓世界更安全、更智能、更方便。

有幾個(gè)用例：

· 尋找失蹤人員

· 零售犯罪

· 安全標(biāo)識(shí)

· 識(shí)別社交媒體上的帳戶

· 考勤系統(tǒng)

· 識(shí)別汽車中的駕駛員

根據(jù)性能和復(fù)雜性，有多種方法可以執(zhí)行面部識(shí)別。

傳統(tǒng)人臉識(shí)別算法：

在 1990 年代，整體方法被用于人臉識(shí)別。手工制作的局部描述符在 1920 年代初期開始流行，然后在 2000 年代后期采用局部特征學(xué)習(xí)方法。目前廣泛使用并在OpenCV中實(shí)現(xiàn)的算法如下：

每種方法都遵循不同的方法來提取圖像信息并將其與輸入圖像進(jìn)行匹配。Fischer－faces和Eigenfaces與 SURF 和 SIFT 具有幾乎相似的方法。LBPH 是一種簡單但非常有效的方法，但與現(xiàn)代人臉識(shí)別器相比，速度較慢。與現(xiàn)代人臉識(shí)別算法相比，這些算法并不快。傳統(tǒng)算法不能僅通過拍攝一個(gè)人的單張照片來訓(xùn)練。

人臉識(shí)別深度學(xué)習(xí)：

一些廣泛使用的基于深度學(xué)習(xí)的人臉識(shí)別系統(tǒng)如下：DeepFaceDeepID series of systemsVGGFaceFaceNet人臉識(shí)別器一般是在人臉圖像中找出重要的點(diǎn)，如嘴角、眉毛、眼睛、鼻子、嘴唇等。這些點(diǎn)的坐標(biāo)稱為五官點(diǎn)，這樣的點(diǎn)有66個(gè)。這樣，尋找特征點(diǎn)的不同技術(shù)給出不同的結(jié)果。

人臉識(shí)別模型涉及的步驟：

1．＊＊人臉檢測：＊＊定位人臉并在人臉周圍繪制邊界框并保留邊界框的坐標(biāo)。

2．＊＊人臉對齊：＊＊標(biāo)準(zhǔn)化人臉以與訓(xùn)練數(shù)據(jù)庫一致。

3．＊＊特征提�。海�＊提取將用于訓(xùn)練和識(shí)別任務(wù)的人臉特征。

4．人臉識(shí)別： 將人臉與準(zhǔn)備好的數(shù)據(jù)庫中的一張或多張已知人臉進(jìn)行匹配。在傳統(tǒng)的人臉識(shí)別方法中，我們有單獨(dú)的模塊來執(zhí)行這 4 個(gè)步驟。在本文中，你將看到一個(gè)將這 4 個(gè)步驟組合在一個(gè)步驟中的庫。

構(gòu)建人臉識(shí)別系統(tǒng)的步驟

安裝庫

我們需要安裝 2 個(gè)庫來實(shí)現(xiàn)人臉識(shí)別。

dlib ： dlib是一個(gè)現(xiàn)代 C＋＋ 工具包，包含機(jī)器學(xué)習(xí)算法和工具，用于在 C＋＋ 中創(chuàng)建復(fù)雜的軟件以解決實(shí)際問題。

＃ installing dlib

pip install dlib

臉部識(shí)別：將face＿recognition庫，創(chuàng)建和維護(hù) Adam Geitgey（https：／／adamgeitgey．com／），包含了dlib人臉識(shí)別功能。

＃ installing face recognition

pip install face recognition

Opencv 用于一些圖像預(yù)處理。

＃ installing opencv

pip install opencv

注意：如果你在安裝dlib 時(shí)遇到任何錯(cuò)誤 ＊＊，＊＊我建議你使用vs＿code 社區(qū)版安裝 C＋＋ 開發(fā)工具包

導(dǎo)入庫

現(xiàn)在你已經(jīng)下載了所有重要的庫，讓我們導(dǎo)入它們來構(gòu)建系統(tǒng)。

import cv2

import numpy as np

import face＿recognition

加載圖像

導(dǎo)入庫后，你需要加載圖像。

face＿recognition 庫以 BGR 的形式加載圖像，為了打印圖像，你應(yīng)該使用 OpenCV 將其轉(zhuǎn)換為 RGB。

imgelon＿bgr ＝ face＿recognition．load＿image＿file（＇elon．jpg＇）

imgelon＿rgb ＝ cv2．cvtColor（imgelon＿bgr，cv2．COLOR＿BGR2RGB）

cv2．imshow（＇bgr＇， imgelon＿bgr）

cv2．imshow（＇rgb＇， imgelon＿rgb）

cv2．waitKey（0）

如你所見，RGB 看起來很自然，因此你將始終把通道更改為 RGB。

查找人臉位置并繪制邊界框

你需要在人臉周圍繪制一個(gè)邊界框，以顯示是否已檢測到人臉。

imgelon ＝face＿recognition．load＿image＿file（＇elon．jpg＇）

imgelon ＝ cv2．cvtColor（imgelon，cv2．COLOR＿BGR2RGB）

＃－－－－－－－－－－Finding face Location for drawing bounding boxes－－－－－－－

face ＝ face＿recognition．face＿locations（imgelon＿rgb）［0］

copy ＝ imgelon．copy（）

＃－－－－－－－－－－－－－－－－－－－Drawing the Rectangle－－－－－－－－－－－－－－－－－－－－－－－－－

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

cv2．imshow（＇copy＇， copy）

cv2．imshow（＇elon＇，imgelon）

cv2．waitKey（0）

為人臉識(shí)別訓(xùn)練圖像

該庫的制作方式是自動(dòng)查找人臉并僅處理人臉，因此你無需從圖片中裁剪人臉。

訓(xùn)練：

在這個(gè)階段，我們將訓(xùn)練圖像轉(zhuǎn)換為一些編碼，并使用該圖像的人名存儲(chǔ)編碼。

train＿elon＿encodings ＝ face＿recognition．face＿encodings（imgelon）［0］

測試：

為了測試，我們加載圖像并將其轉(zhuǎn)換為編碼，然后在訓(xùn)練期間將編碼與存儲(chǔ)的編碼進(jìn)行匹配，這種匹配基于尋找最大相似度。當(dāng)你找到與測試圖像匹配的編碼時(shí)，你將獲得與訓(xùn)練編碼相關(guān)聯(lián)的名稱。

＃ lets test an image

test ＝ face＿recognition．load＿image＿file（＇elon＿2．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））

face＿recognition．compare＿faces，如果兩個(gè)圖像中的人相同，返回True，否則返回False。

構(gòu)建人臉識(shí)別系統(tǒng)

導(dǎo)入必要的庫

import cv2

import face＿recognition

import os

import numpy as np

from datetime import datetime

import pickle

定義將存儲(chǔ)訓(xùn)練圖像數(shù)據(jù)集的文件夾路徑

path ＝ ＇student＿images＇

注意：對于訓(xùn)練，我們只需要將訓(xùn)練圖片放到path目錄下，圖片名稱必須是person＿name．jpg／jpeg格式。

例如：

正如你在我的 student＿images 路徑中到的，有 6 個(gè)人。因此我們的模型只能識(shí)別這 6 個(gè)人。你可以在此目錄中添加更多圖片，以便更多人識(shí)別

現(xiàn)在創(chuàng)建一個(gè)列表來存儲(chǔ) person＿name 和圖像數(shù)組。

遍歷path目錄中存在的所有圖像文件，讀取圖像，并將圖像數(shù)組附加到圖像列表，并將文件名附加到classNames。

創(chuàng)建一個(gè)函數(shù)來對所有訓(xùn)練圖像進(jìn)行編碼并將它們存儲(chǔ)在一個(gè)變量encoding＿face＿train 中。

創(chuàng)建一個(gè)函數(shù)，該函數(shù)將創(chuàng)建一個(gè)Attendance．csv文件來存儲(chǔ)考勤時(shí)間。

注意：這里需要手動(dòng)創(chuàng)建Attendance．csv文件并在函數(shù)中給出路徑

＊＊with open（“filename．csv”，＇r＋＇）創(chuàng)建一個(gè)文件，＇r＋＇＊＊模式用于打開文件進(jìn)行讀寫。

我們首先檢查出席者的名字是否已經(jīng)在attenting ．csv中可用。

如果出席者的名字在attends．csv中不可用，我們將在函數(shù)調(diào)用的時(shí)間中寫入出席者的名字。

閱讀網(wǎng)絡(luò)攝像頭進(jìn)行實(shí)時(shí)識(shí)別

＃ take pictures from webcam

cap  ＝ cv2．VideoCapture（0）while True：

success， img ＝ cap．read（）

imgS ＝ cv2．resize（img， （0，0）， None， 0．25，0．25）

imgS ＝ cv2．cvtColor（imgS， cv2．COLOR＿BGR2RGB）

faces＿in＿frame ＝ face＿recognition．face＿locations（imgS）

encoded＿faces ＝ face＿recognition．face＿encodings（imgS， faces＿in＿frame）for encode＿face， faceloc in zip（encoded＿faces，faces＿in＿frame）：

matches ＝ face＿recognition．compare＿faces（encoded＿face＿train， encode＿face）

faceDist ＝ face＿recognition．face＿distance（encoded＿face＿train， encode＿face）

matchIndex ＝ np．a(chǎn)rgmin（faceDist）

print（matchIndex）

if matches［matchIndex］：

name ＝ classNames［matchIndex］．upper（）．lower（）

y1，x2，y2，x1 ＝ faceloc

＃ since we scaled down by 4 times

 y1， x2，y2，x1 ＝ y1＊4，x2＊4，y2＊4，x1＊4

cv2．rectangle（img，（x1，y1），（x2，y2），（0，255，0），2）

cv2．rectangle（img， （x1，y2－35），（x2，y2）， （0，255，0）， cv2．FILLED）

cv2．putText（img，name， （x1＋6，y2－5）， cv2．FONT＿HERSHEY＿COMPLEX，1，（255，255，255），2）

markAttendance（name）

cv2．imshow（＇webcam＇， img）

if cv2．waitKey（1） ＆ 0xFF ＝＝ ord（＇q＇）：

break

僅將識(shí)別部分的圖像大小調(diào)整為 1／4。

輸出幀將是原始大小。調(diào)整大小可提高每秒幀數(shù)。

face＿recognition．face＿locations（）在調(diào)整大小的圖像（imgS）上被調(diào)用。對于人臉邊界框坐標(biāo)必須乘以 4 才能覆蓋在輸出幀上。

＊＊face＿recognition．distance（）＊＊返回測試圖像的距離數(shù)組，其中包含我們訓(xùn)練目錄中存在的所有圖像。

最小人臉距離的索引將是匹配的人臉。

找到匹配的名稱后，我們調(diào)用markAttendance函數(shù)。

使用＊＊cv2．rectangle（）＊＊繪制邊界框。

我們使用＊＊cv2．putText（）＊＊將匹配的名稱放在輸出幀上。

考勤報(bào)告

人臉識(shí)別系統(tǒng)面臨的挑戰(zhàn)

盡管構(gòu)建面部識(shí)別看起來很容易，但在沒有任何限制的情況下拍攝的現(xiàn)實(shí)世界圖像中卻并不容易。面部識(shí)別系統(tǒng)面臨的幾個(gè)挑戰(zhàn)如下：

＊＊照明：＊＊它極大地改變了面部外觀，觀察到照明條件的輕微變化對其結(jié)果產(chǎn)生重大影響。

＊＊姿勢：＊＊面部識(shí)別系統(tǒng)對姿勢高度敏感，如果數(shù)據(jù)庫僅在正面視圖上進(jìn)行訓(xùn)練，可能會(huì)導(dǎo)致識(shí)別錯(cuò)誤或無法識(shí)別。

面部表情：同一個(gè)人的不同表情是另一個(gè)需要考慮的重要因素。不過，現(xiàn)代識(shí)別器可以輕松處理它。

低分辨率：識(shí)別器的訓(xùn)練必須在分辨率好的圖片上進(jìn)行，否則模型將無法提取特征。

＊＊老化：＊＊隨著年齡的增長，人臉的形狀、線條、紋理變化是另一個(gè)挑戰(zhàn)。

結(jié)論

在本文中，我們討論了如何使用face＿recognition庫創(chuàng)建人臉識(shí)別系統(tǒng)并制作了考勤系統(tǒng)。你可以使用Tkinter或Pyqt進(jìn)一步設(shè)計(jì)用于人臉識(shí)別考勤系統(tǒng)的GUI。