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。

       原文标题 : 使用Python的人脸识别系统