行业报告 AI展会 数据标注 标注供求
数据标注数据集
主页 > 机器视觉 正文

三分钟带你入门人脸识别

人脸识别是AI研究带给世界的众多奇迹之一。对于许多技术人员来说，这是一个充满好奇的话题-他们希望对事物的工作方式有基本的了解。让我们潜入主题，看看事情如何运作。

人脸识别

解决此类问题时，最好不要重新发明轮子-我们不能！最好遵循研究人员提供给我们的模型。开源中也有很多可用的工具。这样的Python库之一是face_recognition。它可以通过几个步骤工作：

  • 识别给定图像中的人脸
  • 识别面部特征
  • 生成128个值的人脸编码向量

基于这种编码，我们可以测量两个脸部图像之间的相似度-可以告诉我们它们是否属于同一个人。

首先安装face_recognition模块



    
	
  1. 
		pip install face_recognition 
    2. 




	导入模块 接下来，我们导入所需的模块




    
	
  1. 
		import PIL.Image 
    2. 
	
  2. 
		import PIL.ImageDraw 
    3. 
	
  3. 
		import requests 
    4. 
	
  4. 
		from io import BytesIO 
    5. 
	
  5. 
		 
    6. 
	
  6. 
		from IPython.display import display 
    7. 
	
  7. 
		 
    8. 
	
  8. 
		import face_recognition 
    9. 




	载入图片 接下来，我们加载图片。我已将图像存储在我的Github帐户中。这样我们就可以从URL中读取原始图像。




    
	
  1. 
		response = requests.get("https://raw.githubusercontent.com/solegaonkar/solegaonkar.github.io/master/img/rahul1.jpeg") 
    2. 
	
  2. 
		fr_image = face_recognition.load_image_file(BytesIO(response.content)) 
    3. 




	识别面孔 加载面部后，让我们看一下face_recognition模块的各个部分。它如何识别人脸？




    
	
  1. 
		face_locations = face_recognition.face_locations(fr_image) 
    2. 
	
  2. 
		 
    3. 
	
  3. 
		number_of_faces = len(face_locations) 
    4. 
	
  4. 
		print("I found {} face(s) in this photograph.".format(number_of_faces)) 
    5. 




	这给了我们一个输出：




    
	
  1. 
		I found 1 face(s) **in** this photograph.</span> 
    2. 




	这意味着，该算法仅在图像中找到了一张脸。让我们看看所识别的图像和面部。




    
	
  1. 
		pil_image = PIL.Image.fromarray(fr_image) 
    2. 
	
  2. 
		 
    3. 
	
  3. 
		for face_location in face_locations: 
    4. 
	
  4. 
		    # Print the location of each face in this image. Each face is a list of co-ordinates in (top, right, bottom, left) order. 
    5. 
	
  5. 
		    top, right, bottom, left = face_location 
    6. 
	
  6. 
		    print("A face is located at pixel location Top: {}, Left: {}, Bottom: {}, Right: {}".format(top, left, bottom, right)) 
    7. 
	
  7. 
		    # Let's draw a box around the face 
    8. 
	
  8. 
		    draw = PIL.ImageDraw.Draw(pil_image) 
    9. 
	
  9. 
		    draw.rectangle([left, top, right, bottom], outline="black") 
    10. 




	这给了我们一个输出




    
	
  1. 
		A face **is** located at pixel location Top: 68, Left: 117, Bottom: 291, Right: 340</span> 
    2. 




	上面的代码还修改了图像以在脸部周围绘制一个矩形。让我们检查一下是否运作良好。



	



	已经可以了。



	人脸编码 这是我们的面孔。但是，对于我们的算法而言，它只是RGB值的数组—匹配从我们提供给它的数据样本中学到的模式。



	对于面部识别，该算法记录了面部的某些重要测量值，例如眼睛的颜色和大小和倾斜度，眉毛之间的间隙等。所有这些共同定义了面部编码-从图像中获取的信息-即用于识别特定面孔。



	为了了解从面部读取的内容，让我们看一下读取的编码。




    
	
  1. 
		face_encodings = face_recognition.face_encodings(fr_image) 
    2. 
	
  2. 
		face_encodings[0] 
    3. 




	打印出一个巨大的数组：




    
	
  1. 
		array([-0.10213576,  0.05088161, -0.03425048, -0.09622347, -0.12966095, 
    2. 
	
  2. 
		        0.04867411, -0.00511892, -0.03418527,  0.2254715 , -0.07892745, 
    3. 
	
  3. 
		        0.21497472, -0.0245543 , -0.2127848 , -0.08542262, -0.00298059, 
    4. 
	
  4. 
		        0.13224372, -0.21870363, -0.09271716, -0.03727289, -0.1250658 , 
    5. 
	
  5. 
		        0.09436664,  0.03037129, -0.02634972,  0.02594662, -0.1627259 , 
    6. 
	
  6. 
		       -0.29416466, -0.12254384, -0.15237436,  0.14907973, -0.09940194, 
    7. 
	
  7. 
		        0.02000656,  0.04662619, -0.1266906 , -0.11484023,  0.04613583, 
    8. 
	
  8. 
		        0.1228286 , -0.03202137, -0.0715076 ,  0.18478717, -0.01387333, 
    9. 
	
  9. 
		       -0.11409076,  0.07516225,  0.08549548,  0.31538364,  0.1297821 , 
    10. 
	
  10. 
		        0.04055009,  0.0346106 , -0.04874525,  0.17533901, -0.22634712, 
    11. 
	
  11. 
		        0.14879328,  0.09331974,  0.17943285,  0.02707857,  0.22914577, 
    12. 
	
  12. 
		       -0.20668915,  0.03964197,  0.17524502, -0.20210043,  0.07155308, 
    13. 
	
  13. 
		        0.04467429,  0.02973968,  0.00257265, -0.00049853,  0.18866715, 
    14. 
	
  14. 
		        0.08767469, -0.06483966, -0.13107982,  0.21610288, -0.04506358, 
    15. 
	
  15. 
		       -0.02243116,  0.05963502, -0.14988004, -0.11296406, -0.30011353, 
    16. 
	
  16. 
		        0.07316103,  0.38660526,  0.07268623, -0.14636359,  0.08436179, 
    17. 
	
  17. 
		        0.01005938, -0.00661338,  0.09306039,  0.03271955, -0.11528577, 
    18. 
	
  18. 
		       -0.0524189 , -0.11697718,  0.07356471,  0.10350288, -0.03610475, 
    19. 
	
  19. 
		        0.00390615,  0.17884226,  0.04291092, -0.02914601,  0.06112404, 
    20. 
	
  20. 
		        0.05315027, -0.14561613, -0.01887275, -0.13125736, -0.0362937 , 
    21. 
	
  21. 
		        0.16490118, -0.09027836, -0.00981111,  0.1363602 , -0.23134531, 
    22. 
	
  22. 
		        0.0788044 , -0.00604869, -0.05569676, -0.07010217, -0.0408107 , 
    23. 
	
  23. 
		       -0.10358225,  0.08519378,  0.16833456, -0.30366772,  0.17561394, 
    24. 
	
  24. 
		        0.14421709, -0.05016343,  0.13464174,  0.0646335 , -0.0262765 , 
    25. 
	
  25. 
		        0.02722404, -0.06028951, -0.19448066, -0.07304715,  0.0204969 , 
    26. 
	
  26. 
		       -0.03045784, -0.02818791,  0.06679841]) 
    27. 




	这些数字中的每一个代表面部编码的正交分量。



	相似 现在让我们研究下一步-确定面孔之间的相似性。为此，我们需要加载更多图像。



	让我们首先加载三个图像。加载图像时，我们还先找到人脸，再找到人脸编码。




    
	
  1. 
		response = requests.get("https://raw.githubusercontent.com/solegaonkar/solegaonkar.github.io/master/img/rahul1.jpeg") 
    2. 
	
  2. 
		image_of_person_1 = face_recognition.load_image_file(BytesIO(response.content)) 
    3. 
	
  3. 
		face_locations = face_recognition.face_locations(image_of_person_1) 
    4. 
	
  4. 
		person_1_face_encoding = face_recognition.face_encodings(image_of_person_1, known_face_locations=face_locations) 
    5. 
	
  5. 
		 
    6. 
	
  6. 
		response = requests.get("https://raw.githubusercontent.com/solegaonkar/solegaonkar.github.io/master/img/rahul2.jpg") 
    7. 
	
  7. 
		image_of_person_2 = face_recognition.load_image_file(BytesIO(response.content)) 
    8. 
	
  8. 
		face_locations = face_recognition.face_locations(image_of_person_2) 
    9. 
	
  9. 
		person_2_face_encoding = face_recognition.face_encodings(image_of_person_2, known_face_locations=face_locations) 
    10. 
	
  10. 
		 
    11. 
	
  11. 
		response = requests.get("https://raw.githubusercontent.com/solegaonkar/solegaonkar.github.io/master/img/trump.jpg") 
    12. 
	
  12. 
		image_of_person_3 = face_recognition.load_image_file(BytesIO(response.content)) 
    13. 
	
  13. 
		face_locations = face_recognition.face_locations(image_of_person_3) 
    14. 
	
  14. 
		person_3_face_encoding = face_recognition.face_encodings(image_of_person_3, known_face_locations=face_locations) 
    15. 




	现在，识别相似性并不困难。face_recognition模块提供了一个简单的API。




    
	
  1. 
		face_recognition.compare_faces([person_1_face_encoding,person_3_face_encoding], person_2_face_encoding[0], tolerance=0.08) 
    2. 




	该方法检查要比较的两个面的每个分量，并告诉我们当前分量是否在公差范围内变化。上面的命令显示如下输出：




    
	
  1. 
		[array([ True,  True,  True,  True,  True,  True,  True,  True,  True, 
    2. 
	
  2. 
		         True,  True,  True,  True,  True,  True,  True,  True,  True, 
    3. 
	
  3. 
		         True,  True,  True,  True,  True,  True,  True,  True,  True, 
    4. 
	
  4. 
		         True,  True,  True,  True,  True,  True,  True,  True,  True, 
    5. 
	
  5. 
		         True,  True,  True,  True, False,  True,  True,  True,  True, 
    6. 
	
  6. 
		         True,  True,  True,  True,  True,  True,  True,  True, False, 
    7. 
	
  7. 
		         True,  True,  True,  True,  True,  True,  True,  True,  True, 
    8. 
	
  8. 
		         True,  True,  True,  True,  True, False,  True,  True,  True, 
    9. 
	
  9. 
		         True,  True,  True,  True,  True,  True,  True,  True, False, 
    10. 
	
  10. 
		         True,  True,  True,  True,  True,  True,  True,  True,  True, 
    11. 
	
  11. 
		         True,  True,  True, False,  True,  True,  True,  True,  True, 
    12. 
	
  12. 
		         True,  True,  True,  True,  True,  True,  True,  True,  True, 
    13. 
	
  13. 
		         True,  True,  True,  True,  True,  True,  True,  True,  True, 
    14. 
	
  14. 
		         True,  True,  True,  True,  True,  True,  True,  True, False, 
    15. 
	
  15. 
		         True,  True]), 
    16. 
	
  16. 
		 array([ True,  True,  True,  True,  True,  True, False, False, False, 
    17. 
	
  17. 
		         True,  True,  True, False,  True,  True,  True, False,  True, 
    18. 
	
  18. 
		        False,  True,  True,  True,  True, False,  True,  True,  True, 
    19. 
	
  19. 
		        False,  True,  True,  True, False,  True,  True,  True,  True, 
    20. 
	
  20. 
		         True,  True,  True,  True, False,  True, False,  True,  True, 
    21. 
	
  21. 
		         True,  True,  True, False,  True, False,  True,  True,  True, 
    22. 
	
  22. 
		        False, False,  True,  True,  True,  True,  True, False,  True, 
    23. 
	
  23. 
		        False, False, False, False,  True, False,  True, False,  True, 
    24. 
	
  24. 
		        False,  True,  True,  True,  True, False,  True,  True,  True, 
    25. 
	
  25. 
		         True,  True,  True, False,  True,  True,  True, False,  True, 
    26. 
	
  26. 
		         True, False,  True,  True,  True,  True,  True,  True,  True, 
    27. 
	
  27. 
		         True,  True,  True,  True,  True, False, False,  True,  True, 
    28. 
	
  28. 
		        False, False, False,  True,  True, False,  True,  True,  True, 
    29. 
	
  29. 
		         True,  True,  True,  True,  True,  True, False, False,  True, 
    30. 
	
  30. 
		         True,  True])] 
    31. 




	这两个数组表示给定图像（在第二个参数中）与提供的列表（在第一个参数中）中每个已知面部编码的相似性。



	我们可以看到第一个数组显示出更多相似性。可以正确识别该人。



	数码化妆 如果您喜欢有趣，我们可以使用面部识别库做更多的事情。我们有一个API，可以帮助我们识别面部的各个特征。




    
	
  1. 
		face_landmarks_list = face_recognition.face_landmarks(fr_image) 
    2. 
	
  2. 
		print(face_landmarks_list) 
    3. 




	这为我们提供了每个单独特征曲线的长长列表。




    
	
  1. 
		[{ 
    2. 
	
  2. 
		    'chin': [(46, 47), (45, 54), (44, 62), (44, 69), (44, 77), (46, 84), (49, 91), (54, 95), (61, 97), (68, 97), (76, 95), (84, 91), (90, 87), (94, 81), (97, 75), (99, 68), (101, 60)],  
    3. 
	
  3. 
		    'left_eyebrow': [(51, 42), (54, 39), (58, 39), (63, 40), (67, 42)],  
    4. 
	
  4. 
		    'right_eyebrow': [(75, 44), (80, 44), (86, 44), (90, 47), (93, 51)],  
    5. 
	
  5. 
		    'nose_bridge': [(70, 48), (68, 52), (67, 56), (66, 60)],  
    6. 
	
  6. 
		    'nose_tip': [(60, 64), (62, 65), (65, 67), (68, 66), (71, 66)],  
    7. 
	
  7. 
		    'left_eye': [(55, 47), (57, 45), (61, 46), (63, 48), (60, 48), (57, 48)],  
    8. 
	
  8. 
		    'right_eye': [(77, 51), (80, 50), (84, 51), (86, 54), (83, 54), (79, 53)],  
    9. 
	
  9. 
		    'top_lip': [(54, 75), (58, 72), (61, 72), (64, 73), (66, 73), (70, 75), (73, 80), (71, 79), (66, 75), (63, 75), (61, 74), (56, 75)],  
    10. 
	
  10. 
		    'bottom_lip': [(73, 80), (68, 81), (64, 81), (62, 80), (60, 80), (57, 78), (54, 75), (56, 75), (60, 77), (63, 78), (65, 78), (71, 79)] 
    11. 
	
  11. 
		}] 
    12. 




	我们可以对此图像应用数字化妆。




    
	
  1. 
		for face_landmarks in face_landmarks_list: 
    2. 
	
  2. 
		    pil_image = PIL.Image.fromarray(fr_image) 
    3. 
	
  3. 
		    d = PIL.ImageDraw.Draw(pil_image, 'RGBA') 
    4. 
	
  4. 
		 
    5. 
	
  5. 
		    # Make the eyebrows into a nightmare 
    6. 
	
  6. 
		    d.line(face_landmarks['left_eyebrow'], fill=(0, 0, 0, 255), width=3) 
    7. 
	
  7. 
		    d.line(face_landmarks['right_eyebrow'], fill=(0, 0, 0, 255), width=3) 
    8. 
	
  8. 
		    d.polygon(face_landmarks['left_eyebrow'], fill=(0, 0, 0, 255)) 
    9. 
	
  9. 
		    d.polygon(face_landmarks['right_eyebrow'], fill=(0, 0, 0, 255)) 
    10. 
	
  10. 
		 
    11. 
	
  11. 
		    # Gloss the lips 
    12. 
	
  12. 
		    d.line(face_landmarks['top_lip'], fill=(0, 0, 0, 255), width=10) 
    13. 
	
  13. 
		    d.line(face_landmarks['bottom_lip'], fill=(0, 0, 0, 255), width=10) 
    14. 
	
  14. 
		 
    15. 
	
  15. 
		    d.polygon(face_landmarks['bottom_lip'], fill=(255, 0, 0, 255)) 
    16. 
	
  16. 
		    d.polygon(face_landmarks['top_lip'], fill=(255, 0, 0, 255)) 
    17. 
	
  17. 
		    d.line(face_landmarks['top_lip'], fill=(0, 0, 0, 255), width=2) 
    18. 
	
  18. 
		    d.line(face_landmarks['bottom_lip'], fill=(0, 0, 0, 255), width=2) 
    19. 
	
  19. 
		 
    20. 
	
  20. 
		    # Chin 
    21. 
	
  21. 
		    d.polygon(face_landmarks['chin'], fill=(255, 0, 0, 16)) 
    22. 
	
  22. 
		 
    23. 
	
  23. 
		    # Apply some eyeliner 
    24. 
	
  24. 
		    d.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(10, 0, 0, 255), width=6) 
    25. 
	
  25. 
		    d.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(10, 0, 0, 255), width=6) 
    26. 
	
  26. 
		 
    27. 
	
  27. 
		    # Sparkle the eyes 
    28. 
	
  28. 
		    d.polygon(face_landmarks['left_eye'], fill=(255, 0, 0, 200)) 
    29. 
	
  29. 
		    d.polygon(face_landmarks['right_eye'], fill=(255, 0, 0, 200)) 
    30. 
	
  30. 
		 
    31. 
	
  31. 
		    display(pil_image) 
    32. 




	下面是我们得到的。



	


				
				
微信公众号 

                
时间:2021-02-18 22:39  来源:未知    转发量:次

            


			




声明：本站部分作品是由网友自主投稿和发布、编辑整理上传，对此类作品本站仅提供交流平台，转载的目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，不为其版权负责。如果您发现网站上有侵犯您的知识产权的作品，请与我们取得联系，我们会及时修改或删除。


			



            
上一篇：什么是人脸识别？你真的了解人脸识别技术吗？ 
下一篇：面部解锁时，手机是怎么“认出”你的？人脸识别了解下 

            

            	
相关文章：

                       	
            

            

            	
相关推荐：

                       	
            

            

            	
网友评论：

                

                



		

			

				发表评论
				
			

			

				

          

          
          
          
          
          

						请自觉遵守互联网相关的政策法规，严禁发布色情、暴力、反动的言论。
					

					

						评价:
							
							
							
					

                    

                    

						表情:
						
                
								                   
						

					

					

						
					

					

							

								用户名:
                                验证码:点击我更换图片
                
							

              
							

								
							

						

        

				

			

		

	



	
	

			

				

					最新评论
					进入详细评论页>>
				

				
				

				

			

	




                
       	
            

        

    

    

	    





        

        	
最新文章

            
        

    	
SEM推广服务

        

        	
热门文章

            
        

		
		
		

        	
热点图文

            
        

		
    

    








Copyright©2005-2028 Sykv.com  可思数据 版权所有    京ICP备14056871号

	

	  关于我们  
      免责声明  
      广告合作  
      版权声明  
      联系我们  
      原创投稿  
      网站地图  
	

    
可思数据 数据标注


		
	
	

	 
	 







    

	








  

    
扫码入群

    

      

      

        

      

    

  

  
	
  
扫码关注
    

      

      
微信公众号

    

  

  
返回顶部