2. 程式人生 > >python dlib學習（五）：比對人臉

python dlib學習（五）：比對人臉

阿新 • • 發佈：2019-02-05

前言

在前面的部落格中介紹了，如何使用dlib標定人臉（python dlib學習（一）：人臉檢測），提取68個特徵點（python dlib學習（二）：人臉特徵點標定）。這次要在這兩個工作的基礎之上，將人臉的資訊提取成一個128維的向量空間。在這個向量空間上，同一個人臉的更接近，不同人臉的距離更遠。度量採用歐式距離，歐氏距離計算不算複雜。
二維情況下：

distance=(x1−x2)2+(y1−y2)2−−−−−−−−−−−−−−−−−−√
三維情況下：
distance=(x1−x2)2+(y1−y2)2+(z1−z2)2−−−−−−−−−−−−−−−−−−−−−−−−−−−−
√
將其擴充套件到128維的情況下即可。
通常使用的判別閾值是0.6，即如果兩個人臉的向量空間的歐式距離超過了0.6，即認定不是同一個人；如果歐氏距離小於0.6，則認為是同一個人。這個距離也可以由自己定，只要效果能更好。

實驗中使用了兩個模型：

資料夾目錄：
這裡寫圖片描述
兩個模型放在model資料夾中，測試圖片放在faces中，圖片自己隨便下幾張就行。

程式1

不說廢話了，直接上程式碼。

# -*- coding: utf-8 -*-
import sys
import dlib
import cv2
import os
import glob

current_path = os.getcwd()  # 獲取當前路徑
 

# 模型路徑
predictor_path = current_path + "\\model\\shape_predictor_68_face_landmarks.dat"
face_rec_model_path = current_path + "\\model\\dlib_face_recognition_resnet_model_v1.dat"
#測試圖片路徑
faces_folder_path = current_path + "\\faces\\"

# 讀入模型
detector = dlib.get_frontal_face_detector()
shape_predictor = dlib.shape_predictor(predictor_path)
face_rec_model = dlib.face_recognition_model_v1(face_rec_model_path)

for
 
 img_path in glob.glob(os.path.join(faces_folder_path, "*.jpg")):
    print("Processing file: {}".format(img_path))
    # opencv 讀取圖片，並顯示
    img = cv2.imread(img_path, cv2.IMREAD_COLOR)
    # opencv的bgr格式圖片轉換成rgb格式
    b, g, r = cv2.split(img)
    img2 = cv2.merge([r, g, b])

    dets = detector(img, 1)   # 人臉標定
    print("Number of faces detected: {}".format(len(dets)))

    for index, face in enumerate(dets):
        print('face {}; left {}; top {}; right {}; bottom {}'.format(index, face.left(), face.top(), face.right(), face.bottom()))

        shape = shape_predictor(img2, face)   # 提取68個特徵點
        for i, pt in enumerate(shape.parts()):
            #print('Part {}: {}'.format(i, pt))
            pt_pos = (pt.x, pt.y)
            cv2.circle(img, pt_pos, 2, (255, 0, 0), 1)
            #print(type(pt))
        #print("Part 0: {}, Part 1: {} ...".format(shape.part(0), shape.part(1)))
        cv2.namedWindow(img_path+str(index), cv2.WINDOW_AUTOSIZE)
        cv2.imshow(img_path+str(index), img)

        face_descriptor = face_rec_model.compute_face_descriptor(img2, shape)   # 計算人臉的128維的向量
        print(face_descriptor)

k = cv2.waitKey(0)
cv2.destroyAllWindows()

程式1結果

這裡寫圖片描述
部分列印結果：

F:\Python\my_dlib_codes\face_recognition>python my_face_recogniton.py
Processing file: F:\Python\my_dlib_codes\face_recognition\faces\jobs.jpg
Number of faces detected: 1
face 0; left 184; top 64; right 339; bottom 219
-0.179784
0.15487
0.10509
-0.0973604
-0.19153
0.000418252
-0.0357536
-0.0206766
0.129741
-0.0628359
....

後面的那一堆數字就是人臉在128維向量空間上的值。

程式2

前面只是測試了一下，把要用的值給求到了。這裡我封裝了一下，把比對功能實現了。沒加多少東西，所以不做贅述了。

# -*- coding: utf-8 -*-
import sys
import dlib
import cv2
import os
import glob
import numpy as np

def comparePersonData(data1, data2):
    diff = 0
    # for v1, v2 in data1, data2:
        # diff += (v1 - v2)**2
    for i in xrange(len(data1)):
        diff += (data1[i] - data2[i])**2
    diff = np.sqrt(diff)
    print diff
    if(diff < 0.6):
        print "It's the same person"
    else:
        print "It's not the same person"

def savePersonData(face_rec_class, face_descriptor):
    if face_rec_class.name == None or face_descriptor == None:
        return
    filePath = face_rec_class.dataPath + face_rec_class.name + '.npy'
    vectors = np.array([])
    for i, num in enumerate(face_descriptor):
        vectors = np.append(vectors, num)
        # print(num)
    print('Saving files to :'+filePath)
    np.save(filePath, vectors)
    return vectors

def loadPersonData(face_rec_class, personName):
    if personName == None:
        return
    filePath = face_rec_class.dataPath + personName + '.npy'
    vectors = np.load(filePath)
    print(vectors)
    return vectors

class face_recognition(object):
    def __init__(self):
        self.current_path = os.getcwd() # 獲取當前路徑
        self.predictor_path = self.current_path + "\\model\\shape_predictor_68_face_landmarks.dat"
        self.face_rec_model_path = self.current_path + "\\model\\dlib_face_recognition_resnet_model_v1.dat"
        self.faces_folder_path = self.current_path + "\\faces\\"
        self.dataPath = self.current_path + "\\data\\"
        self.detector = dlib.get_frontal_face_detector()
        self.shape_predictor = dlib.shape_predictor(self.predictor_path)
        self.face_rec_model = dlib.face_recognition_model_v1(self.face_rec_model_path)

        self.name = None
        self.img_bgr = None
        self.img_rgb = None
        self.detector = dlib.get_frontal_face_detector()
        self.shape_predictor = dlib.shape_predictor(self.predictor_path)
        self.face_rec_model = dlib.face_recognition_model_v1(self.face_rec_model_path)

    def inputPerson(self, name='people', img_path=None):
        if img_path == None:
            print('No file!\n')
            return 

        # img_name += self.faces_folder_path + img_name
        self.name = name
        self.img_bgr = cv2.imread(self.current_path+img_path)
        # opencv的bgr格式圖片轉換成rgb格式
        b, g, r = cv2.split(self.img_bgr)
        self.img_rgb = cv2.merge([r, g, b])

    def create128DVectorSpace(self):
        dets = self.detector(self.img_rgb, 1)
        print("Number of faces detected: {}".format(len(dets)))
        for index, face in enumerate(dets):
            print('face {}; left {}; top {}; right {}; bottom {}'.format(index, face.left(), face.top(), face.right(), face.bottom()))

            shape = self.shape_predictor(self.img_rgb, face)
            face_descriptor = self.face_rec_model.compute_face_descriptor(self.img_rgb, shape)
            # print(face_descriptor)
            # for i, num in enumerate(face_descriptor):
            #   print(num)
            #   print(type(num))

            return face_descriptor

程式2結果

測試程式碼1：

import face_rec as fc
face_rec = fc.face_recognition()   # 建立物件
face_rec.inputPerson(name='jobs', img_path='\\faces\\jobs.jpg')  # name中寫第一個人名字，img_name為圖片名字，注意要放在faces資料夾中
vector = face_rec.create128DVectorSpace()  # 提取128維向量，是dlib.vector類的物件
person_data1 = fc.savePersonData(face_rec, vector )   # 將提取出的資料儲存到data資料夾，為便於操作返回numpy陣列，內容還是一樣的

# 匯入第二張圖片，並提取特徵向量
face_rec.inputPerson(name='jobs2', img_path='\\faces\\jobs2.jpg')
vector = face_rec.create128DVectorSpace()  # 提取128維向量，是dlib.vector類的物件
person_data2 = fc.savePersonData(face_rec, vector )

# 計算歐式距離，判斷是否是同一個人
fc.comparePersonData(person_data1, person_data2)

如果data資料夾中已經有了模型檔案，可以直接匯入：

import face_rec as fc
face_rec = fc.face_recognition()   # 建立物件
person_data1 = fc.loadPersonData(face_rec , 'jobs')   # 建立一個類儲存相關資訊，後面還要跟上人名，程式會在data檔案中查詢對應npy檔案，比如這裡就是'jobs.npy'
person_data2 = fc.loadPersonData(face_rec , 'jobs2')  # 匯入第二張圖片
fc.comparePersonData(person_data1, person_data2) # 計算歐式距離，判斷是否是同一個人

程式2結果

Python 2.7.10 |Anaconda 2.3.0 (64-bit)| (default, May 28 2015, 16:44:52) [MSC v.1500 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
Anaconda is brought to you by Continuum Analytics.
Please check out: http://continuum.io/thanks and https://binstar.org
>>> import face_rec as fc
>>> face_rec = fc.face_recognition()
>>> face_rec.inputPerson(name='jobs', img_path='\\faces\\jobs.jpg')
>>> vector = face_rec.create128DVectorSpace()
Number of faces detected: 1
face 0; left 184; top 64; right 339; bottom 219
>>> person_data1 = fc.savePersonData(face_rec, vector )
Saving files to :F:\Python\my_dlib_codes\face_recognition\data\jobs.npy
>>> face_rec.inputPerson(name='jobs2', img_path='\\faces\\jobs2.jpg')
>>> vector = face_rec.create128DVectorSpace()
Number of faces detected: 1
face 0; left 124; top 39; right 253; bottom 168
>>> person_data2 = fc.savePersonData(face_rec, vector )
Saving files to :F:\Python\my_dlib_codes\face_recognition\data\jobs2.npy
>>> fc.comparePersonData(person_data1, person_data2)
0.490491048429
It's the same person

官方例程

#!/usr/bin/python
# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt
#
#   This example shows how to use dlib's face recognition tool.  This tool maps
#   an image of a human face to a 128 dimensional vector space where images of
#   the same person are near to each other and images from different people are
#   far apart.  Therefore, you can perform face recognition by mapping faces to
#   the 128D space and then checking if their Euclidean distance is small
#   enough. 
#
#   When using a distance threshold of 0.6, the dlib model obtains an accuracy
#   of 99.38% on the standard LFW face recognition benchmark, which is
#   comparable to other state-of-the-art methods for face recognition as of
#   February 2017. This accuracy means that, when presented with a pair of face
#   images, the tool will correctly identify if the pair belongs to the same
#   person or is from different people 99.38% of the time.
#
#   Finally, for an in-depth discussion of how dlib's tool works you should
#   refer to the C++ example program dnn_face_recognition_ex.cpp and the
#   attendant documentation referenced therein.
#
#
#
#
# COMPILING/INSTALLING THE DLIB PYTHON INTERFACE
#   You can install dlib using the command:
#       pip install dlib
#
#   Alternatively, if you want to compile dlib yourself then go into the dlib
#   root folder and run:
#       python setup.py install
#   or
#       python setup.py install --yes USE_AVX_INSTRUCTIONS
#   if you have a CPU that supports AVX instructions, since this makes some
#   things run faster.  This code will also use CUDA if you have CUDA and cuDNN
#   installed.
#
#   Compiling dlib should work on any operating system so long as you have
#   CMake and boost-python installed.  On Ubuntu, this can be done easily by
#   running the command:
#       sudo apt-get install libboost-python-dev cmake
#
#   Also note that this example requires scikit-image which can be installed
#   via the command:
#       pip install scikit-image
#   Or downloaded from http://scikit-image.org/download.html. 

import sys
import os
import dlib
import glob
from skimage import io

if len(sys.argv) != 4:
    print(
        "Call this program like this:\n"
        "   ./face_recognition.py shape_predictor_68_face_landmarks.dat dlib_face_recognition_resnet_model_v1.dat ../examples/faces\n"
        "You can download a trained facial shape predictor and recognition model from:\n"
        "    http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2\n"
        "    http://dlib.net/files/dlib_face_recognition_resnet_model_v1.dat.bz2")
    exit()

predictor_path = sys.argv[1]
face_rec_model_path = sys.argv[2]
faces_folder_path = sys.argv[3]

# Load all the models we need: a detector to find the faces, a shape predictor
# to find face landmarks so we can precisely localize the face, and finally the
# face recognition model.
detector = dlib.get_frontal_face_detector()
sp = dlib.shape_predictor(predictor_path)
facerec = dlib.face_recognition_model_v1(face_rec_model_path)

win = dlib.image_window()

# Now process all the images
for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):
    print("Processing file: {}".format(f))
    img = io.imread(f)

    win.clear_overlay()
    win.set_image(img)

    # Ask the detector to find the bounding boxes of each face. The 1 in the
    # second argument indicates that we should upsample the image 1 time. This
    # will make everything bigger and allow us to detect more faces.
    dets = detector(img, 1)
    print("Number of faces detected: {}".format(len(dets)))

    # Now process each face we found.
    for k, d in enumerate(dets):
        print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(
            k, d.left(), d.top(), d.right(), d.bottom()))
        # Get the landmarks/parts for the face in box d.
        shape = sp(img, d)
        # Draw the face landmarks on the screen so we can see what face is currently being processed.
        win.clear_overlay()
        win.add_overlay(d)
        win.add_overlay(shape)

        # Compute the 128D vector that describes the face in img identified by
        # shape.  In general, if two face descriptor vectors have a Euclidean
        # distance between them less than 0.6 then they are from the same
        # person, otherwise they are from different people. Here we just print
        # the vector to the screen.
        face_descriptor = facerec.compute_face_descriptor(img, shape)
        print(face_descriptor)
        # It should also be noted that you can also call this function like this:
        #  face_descriptor = facerec.compute_face_descriptor(img, shape, 100)
        # The version of the call without the 100 gets 99.13% accuracy on LFW
        # while the version with 100 gets 99.38%.  However, the 100 makes the
        # call 100x slower to execute, so choose whatever version you like.  To
        # explain a little, the 3rd argument tells the code how many times to
        # jitter/resample the image.  When you set it to 100 it executes the
        # face descriptor extraction 100 times on slightly modified versions of
        # the face and returns the average result.  You could also pick a more
        # middle value, such as 10, which is only 10x slower but still gets an
        # LFW accuracy of 99.3%.


        dlib.hit_enter_to_continue()

吐槽：
dlib的確很方便，不用花多少時間就能自己做到一些目標功能。官方文件講的很詳細，很容易入門。看這個文件（dlib python api）差不多就能學會用了。導師已經安排了研究生階段的學習任務了，後面也要忙起來了。dlib的學習雖然是我10月份才開的坑，為了善始善終我也要儘快整理完這些東西。以後要回到”泡館”生活了。
ヽ(･ω･｡)ﾉ

相關推薦

python dlib學習（五）：比對人臉

前言 在前面的部落格中介紹了，如何使用dlib標定人臉（python dlib學習（一）：人臉檢測），提取68個特徵點（python dlib學習（二）：人臉特徵點標定）。這次要在這兩個工作的基礎之上，將人臉的資訊提取成一個128維的向量空間。在這個向量空間上

python dlib學習（八）：訓練人臉特徵點檢測器

前言 前面的部落格（python dlib學習（二）：人臉特徵點標定）介紹了使用dlib識別68個人臉特徵點，但是當時使用的是dlib官方給出的訓練好的模型，這次要自己訓練一個特徵點檢測器出來。當然，想要達到state-of-art的效果需要自己調參，這也是一

python dlib學習（七）：人臉特徵點對齊

前言 前面的部落格介紹過人臉特徵點標定：python dlib學習（二）：人臉特徵點標定。這次試著使用這些人臉特徵點來對人臉進行對齊。 完整工程連結附在文章最後。 程式 程式中已有註釋，不做

python學習（五）：Python類中super()和__init__()的關係

1.單繼承時super()和__init__()實現的功能是類似的 class Base(object): def __init__(self): print 'Base create' class childA(Base): def __init__(sel

PE檔案格式學習（五）：資源表

1.概述 程式內部和外部的介面等元素的二進位制資料統稱為資源，程式把它們放在一個特定的表中，符合資料和程式分離的設計原則。 Windows程式中的資源大致分為六類：選單、對話方塊、點陣圖、游標、圖示、自定義資源 資源表是資料目錄表中的第三個元素，排在匯入表的後面。 2.資

ionic學習（五）：問答社群01 tabs的新建及引用

1.新建專案answer01  ionic start answer01 tabs 2.啟動專案： ionic serve 3.新增4個page：discovery, chat, notification,more ionic g page 名稱 （刪除預設的about

webpack學習（五）：使用source map

demo地址: https://github.com/Lkkkkkkg/webpack-demo 上次配置HtmlWebpackPlugin: https://blog.csdn.net/qq593249106/article/details/84901089 繼上次配置完HtmlWeb

caffe的python介面學習（6）：用訓練好的模型（caffemodel）來分類新的圖片

#coding=utf-8import caffeimport numpy as nproot='/home/xxx/' #根目錄deploy=root + 'mnist/deploy.prototxt' #deploy檔案caffe_model=root + 'mnist/lenet_iter

Python爬蟲開發（五）：反爬蟲措施以及爬蟲編寫注意事項

0×01 介紹 本人對於Python學習建立了一個小小的學習圈子，為各位提供了一個平臺，大家一起來討論學習Python。歡迎各位到來Python學習群：960410445一起討論視訊分享學習。Python是未來的發展方向，正在挑戰我們的分析能力及對世界的認知方式，因此，我們與時俱進，迎接變化，並

設計模式學習（五）：單例模式

2018年08月30日 目錄 1、單例模式概念 確保某一個類只有一個例項，並且自行例項化，並且向整個系統提供這個例項。 與全域性變數的區別：全域性變數不能實現繼承，而單例模式可以； 2、餓漢模式 package designModel.Si

[Python]網路爬蟲（五）：urllib2的使用細節與抓站技巧

前面說到了urllib2的簡單入門，下面整理了一部分urllib2的使用細節。 1.Proxy 的設定 urllib2 預設會使用環境變數 http_proxy 來設定 HTTP Proxy。 如果想在程式中明確控制 Proxy 而不受環境變數的影響，可以使用代理。

pandas系列學習（五）：資料連線

作者：chen_h 微訊號 & QQ：862251340 微信公眾號：coderpai 利用 Python 處理任何實際的資料時，你就需要將 pandas DataFrame 合併或者連結在一起來分析資料集，但是這個過程還是非常花費時間的，

SVM學習（五）：鬆弛變數與懲罰因子

1.鬆弛變數        現在我們已經把一個本來線性不可分的文字分類問題，通過對映到高維空間而變成了線性可分的。就像下圖這樣：        圓形和方形的點各有成千上萬個（畢竟，這就是我們訓練集中文件的數量嘛，當然很大了）。現在想象我們有另一個訓練集，只比原先這個訓練集多了一篇文章，對映到高維空間

Linux學習（五）：檔案解壓縮

文章目錄 檔案解壓縮 `tar` 歸檔 打包 `gzip` 壓縮檔案 `bzip2` 壓縮檔案（用法同gzip） `zip` 壓縮檔案 壓縮率 zip 檔案解壓縮

SODBASE CEP學習（五）：流式計算中的類SQL語言EPL

（本文中類SQL語句建模、單元測試建議使用SODBASE Studio，參考示例見視訊教程。 SODBASE CEP中，類SQL語言EPL（事件處理語言）也叫做SODSQL。其基本寫法為 CREATE QUERY 查詢名稱 SELECT 查詢欄位 FROM 流 PAT

Centos學習（五）：60個必學命令之系統管理

Linux必學的系統管理命令 對於Linux系統來說，無論是中央處理器、記憶體、磁碟驅動器、鍵盤、滑鼠，還是使用者等都是檔案，Linux系統管理的命令是它正常執行的核心。熟悉了Linux常用的檔案處理命令以後，這一講介紹對系統和使用者進行管理的命令。df 1.作用 df命令

RocketMQ學習（五）：Pull和Push

原始碼版本是3.2.6。在rocketmq裡，consumer被分為2類：MQPullConsumer和MQPushConsumer，其實本質都是拉模式（pull），即consumer輪詢從broker拉取訊息。區別是：push方式裡，consumer把輪詢過程封裝了，並註冊MessageListener監聽

D-Bus學習（五）：Signal的收發小例子

　　我們繼續學習D-Bus，參考http://dbus.freedesktop.org/doc/dbus/libdbus-tutorial.html ，從底層，即libdbus學習如何傳送signal，以及如何監聽signal。signal在D-Bus的Daemon中廣播，

mxnet學習（五）：gluon模組進行資料載入-Dataset和DataLoader

在gluon介面中，通過Dataset和DataLoader來對資料集進行迴圈遍歷，並返回batch大小的資料，其中Dataset物件用於資料的收集、載入和變換，而DataLoader物件用於返回batch大小的資料。 1. 相關模組 mxnet.gluon.

Vue.js學習（五）：vue+axios+php+mysql 實現前端介面資料動態更新

網上參考了很多例子，都沒有關於vue+php實現前後端的例子，後來自己總結了一個，希望大家批評指正。 vue實現動態資料的方式主要有vue-resource和axios，但是從Vue2.0開始，已經不