[face_recognition中文文档] 第1节 人脸识别

96
Kangvcar
0.6 2017.10.25 07:38* 字数 2239

Face Recognition人脸识别库

这是世界上最简单的人脸识别库了。你可以通过Python引用或者命令行的形式使用它,来管理和识别人脸。
该软件包使用dlib中最先进的人脸识别深度学习算法,使得识别准确率在《Labled Faces in the world》测试基准下达到了99.38%。
它同时提供了一个叫face_recognition的命令行工具,以便你可以用命令行对一个文件夹中的图片进行识别操作。

特征

在图片中识别人脸

找到图片中所有的人脸:


示例图1
import face_recognition
image=face_recognition.load_image_file("your_file.jpg")
face_locations=face_recognition.face_locations(image)

找到并操作图片中的脸部特征

获得图片中人类眼睛、鼻子、嘴、下巴的位置和轮廓:


示例图2
import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)

找到脸部特征有很多超级有用的应用场景,当然你也可以把它用在最显而易见的功能上:美颜功能 就像美图秀秀那样

示例图3

鉴定图片中的脸

识别图片中的人是谁


示例图4
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)

你甚至可以用这个软件包做人脸的实时识别:


示例图5

这里有一个实时识别的例子

安装

环境要求:

  • Python3.3+或者Python2.7
  • MacOS或者Linux(Windows不做支持,但是你可以试试,也许也能运行)

安装步骤

在Mac或Linux上安装

首先,确保你安装了dlib,以及该软件的Python绑定接口。如果没有的话,看这篇安装说明:

然后,使用pip3(Python 2的pip2)从pypi安装此模块:

pip3 install face_recognition

如果你安装遇到问题,可以试试这个安装好了的虚拟机

在树莓派2+上安装

在Windows上安装

虽然Windows不是官方支持的,但是有热心网友写出了一个Windows上的使用指南,请看这里:

使用已经配置好的虚拟机(支持VMWare和VirtualBox)

使用方法

命令行界面

如果你已经安装了face_recognition,那么你的系统中已经有了一个名为face_recognition的命令,你可以使用它对图片进行识别,或者对一个文件夹中的所有图片进行识别。
首先你需要提供一个文件夹,里面是所有你希望系统认识的人的图片。其中每个人一张图片,图片以人的名字命名:


示例图6

接下来,你需要准备另一个文件夹,里面是你要识别的图片:


示例图7

然后你就可以运行face_recognition命令了,把刚刚准备的两个文件夹作为参数传入,命令就会返回需要识别的图片中都出现了谁:

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/

/unknown_pictures/unknown.jpg,Barack Obama
/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person

输出中,识别到的每张脸都单独占一行,输出格式为<图片名称>,<人名>。
unknown_person 是一个与你的文件夹的已知人图像不匹配的人物。

调整公差/灵敏度

如果你正在为同一个人获得多个比较,那可能就是这样您的照片中的人看起来非常相似,容差值较低需要使脸部比较更严格。
你可以用--tolerance参数来做到这一点。默认容差值为0.6,较低的数字使脸部比较更严格:

$ face_recognition --tolerance 0.54 ./pictures_of_people_i_know/ ./unknown_pictures/

/unknown_pictures/unknown.jpg,Barack Obama
/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person

如果要按顺序查看每次计算出的面距要调整公差设置,可以使用:--show-distancetrue

$ face_recognition --show-distance true ./pictures_of_people_i_know/ ./unknown_pictures/

/unknown_pictures/unknown.jpg,Barack Obama,0.378542298956785
/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person,None

更多例子

如果你只想知道每张照片中的人的名字,但不要关心文件名,你可以这样做:

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/ | cut -d ',' -f2

Barack Obama
unknown_person

加快人脸识别

如果您有多个CPU内核的电脑,则可以并行完成脸部识别。例如,如果您的系统有4个CPU内核,您可以通过使用在相同的时间量内所有的CPU内核并行处理约4倍的图像。
如果您使用的是Python 3.4或更新版本,请传入参数:--cpus <number_of_cpu_cores_to_use> parameter:

$ face_recognition --cpus 4 ./pictures_of_people_i_know/ ./unknown_pictures/

您还可以传入使用系统中的所有CPU内核。--cpus-1

Python模块

你可以通过导入face_recognition模块来使用它,使用方式超级简单,文档在这里API文件

自动找到图片中所有的脸

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")
face_locations = face_recognition.face_locations(image)

# face_locations is now an array listing the co-ordinates of each face!

看看这个例子自己实践一下,试试看。

你还可以自定义替换人类识别的深度学习模型。

注意:想获得比较好的性能的话,你可能需要GPU加速(使用英伟达的CUDA库)。所以编译的时候你也需要开启dlib的GPU加速选项。

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")
face_locations = face_recognition.face_locations(image, model="cnn")

# face_locations is now an array listing the co-ordinates of each face!

你也可以通过这个例子实践一下,试试看。

如果你有很多图片和GPU,你也可以并行快速识别,看这篇文章

自动识别人脸特征

import face_recognition

image = face_recognition.load_image_file("my_picture.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)

# face_landmarks_list is now an array with the locations of each facial feature in each face.
# face_landmarks_list[0]['left_eye'] would be the location and outline of the first person's left eye.

试试这个例子,试试看。

识别人脸鉴定是哪个人

import face_recognition

picture_of_me = face_recognition.load_image_file("me.jpg")
my_face_encoding = face_recognition.face_encodings(picture_of_me)[0]

# my_face_encoding now contains a universal 'encoding' of my facial features that can be compared to any other picture of a face!

unknown_picture = face_recognition.load_image_file("unknown.jpg")
unknown_face_encoding = face_recognition.face_encodings(unknown_picture)[0]

# Now we can see the two face encodings are of the same person with `compare_faces`!

results = face_recognition.compare_faces([my_face_encoding], unknown_face_encoding)

if results[0] == True:
    print("It's a picture of me!")
else:
    print("It's not a picture of me!")

这里是一个例子,试试看。

Python代码示例

所有的例子都在这里

人脸检测

面部特征

面部识别

人脸识别如何运作

如果你想了解脸部位置和识别如何工作,而不是取决于黑匣子库,请阅读我的文章

注意事项

  • 面部识别模型是针对成年人进行培训的,对儿童的工作效果不佳。它倾向于使用默认比较阈值0.6来混合孩子很容易。

部署到云端主机(Heroku,AWS等)

由于face_recognition取决于使用dlibC ++编写的内容,将其用于云端托管服务商,如Heroku或AWS 部署应用程序可能很棘手。
为了使事情更容易,这个repo中有一个Dockerfile示例,显示如何在Docker容器中运行一个构建的应用程序face_recognition。因此,您应该可以部署支持Docker图像的任何服务。

常见问题

问题:使用face_recognition或运行示例时出现 Illegal instruction(coredumped)
解决方案:dlib使用SSE4或AVX进行编译,但您的CPU太旧,不支持。
您需要更改dlib代码后重新编译这里概述代码更改
问题:运行摄像头示例时出现RuntimeError: Unsupported image type, must be 8bit gray or RGB image.
解决方案:您的网络摄像机可能未正确使用OpenCV设置。在这里寻找更多帮助
问题:运行pip2 install face_recognition时出现MemoryError
解决方案:face_recognition_models文件对于可用的缓存内存来说太大了。尝试使用以下方法pip2 --no-cache-dir install face_recognition来尽量避免这个问题。
问题:AttributeError: 'module' object has no attribute 'face_recognition_model_v1'
解决方案:dlib您安装的版本太旧了。您需要19.7或更新版本。升级dlib
问题:AttributeError: 'Module' object has no attribute 'cnn_face_detection_model_v1'
解决方案:dlib您安装的版本太旧了。您需要19.7或更新版本。升级dlib
问题:TypeError: imread() got an unexpected keyword argument 'mode'
解决方案:scipy您安装的版本太旧了。您需要版本0.17或更新版本。升级scipy

谢谢

  • 非常感谢戴维斯·金@nulhom)创建dlib并提供训练有素的面部特征检测和此库中使用的脸部编码模型。有关ResNet上有关面部编码的更多信息,请查看他的博文
  • 感谢所有在Python数据科学图书馆工作的所有人,如data,scipy,scikit-image,pillow等,使得这种东西在Python中如此简单而有趣。
  • 感谢Cookiecutteraudreyr / cookiecutter-pypackage项目模板,使Python项目打包方式更有效率。
face_recognition中文文档