使用Python的人脸识别系统
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
最新活动更多
-
即日-11.13立即报名>>> 【在线会议】多物理场仿真助跑新能源汽车
-
11月28日立即报名>>> 2024工程师系列—工业电子技术在线会议
-
12月19日立即报名>> 【线下会议】OFweek 2024(第九届)物联网产业大会
-
即日-12.26火热报名中>> OFweek2024中国智造CIO在线峰会
-
即日-2025.8.1立即下载>> 《2024智能制造产业高端化、智能化、绿色化发展蓝皮书》
-
精彩回顾立即查看>> 【限时免费下载】TE暖通空调系统高效可靠的组件解决方案
推荐专题
发表评论
请输入评论内容...
请输入评论/评论长度6~500个字
暂无评论
暂无评论