python人臉模型重建（人臉自動建模）

本文目錄一覽：

• 1、有一張人臉的側臉圖像，如何用python及相關的庫來計算人臉轉過的角度。
• 2、python人臉識別所用的優化算法有什麼
• 3、誰用過python中的第三方庫face recognition
• 4、python opencv 怎麼利用csv文件訓練人臉識別模型代碼

有一張人臉的側臉圖像，如何用python及相關的庫來計算人臉轉過的角度。

這個很難辦到，不過可以通過判斷關鍵點的特點進行判斷，但是準確率不高

前言

很多人都認為人臉識別是一項非常難以實現的工作，看到名字就害怕，然後心懷忐忑到網上一搜，看到網上N頁的教程立馬就放棄了。這些人里包括曾經的我自己。其實如果如果你不是非要深究其中的原理，只是要實現這一工作的話，人臉識別也沒那麼難。今天我們就來看看如何在40行代碼以內簡單地實現人臉識別。

一點區分

對於大部分人來說，區分人臉檢測和人臉識別完全不是問題。但是網上有很多教程有無無意地把人臉檢測說成是人臉識別，誤導群眾，造成一些人認為二者是相同的。其實，人臉檢測解決的問題是確定一張圖上有木有人臉，而人臉識別解決的問題是這個臉是誰的。可以說人臉檢測是是人識別的前期工作。今天我們要做的是人臉識別。

所用工具

Anaconda 2——Python 2

Dlib

scikit-image

Dlib

對於今天要用到的主要工具，還是有必要多說幾句的。Dlib是基於現代C++的一個跨平台通用的框架，作者非常勤奮，一直在保持更新。Dlib內容涵蓋機器學習、圖像處理、數值算法、數據壓縮等等，涉獵甚廣。更重要的是，Dlib的文檔非常完善，例子非常豐富。就像很多庫一樣，Dlib也提供了Python的接口，安裝非常簡單，用pip只需要一句即可：

pip install dlib

上面需要用到的scikit-image同樣只是需要這麼一句：

pip install scikit-image

註：如果用pip install dlib安裝失敗的話，那安裝起來就比較麻煩了。錯誤提示很詳細，按照錯誤提示一步步走就行了。

人臉識別

之所以用Dlib來實現人臉識別，是因為它已經替我們做好了絕大部分的工作，我們只需要去調用就行了。Dlib裡面有人臉檢測器，有訓練好的人臉關鍵點檢測器，也有訓練好的人臉識別模型。今天我們主要目的是實現，而不是深究原理。感興趣的同學可以到官網查看源碼以及實現的參考文獻。今天的例子既然代碼不超過40行，其實是沒啥難度的。有難度的東西都在源碼和論文里。

首先先通過文件樹看一下今天需要用到的東西：

準備了六個候選人的圖片放在candidate-faces文件夾中，然後需要識別的人臉圖片test.jpg。我們的工作就是要檢測到test.jpg中的人臉，然後判斷她到底是候選人中的誰。另外的girl-face-rec.py是我們的python腳本。shape_predictor_68_face_landmarks.dat是已經訓練好的人臉關鍵點檢測器。dlib_face_recognition_resnet_model_v1.dat是訓練好的ResNet人臉識別模型。ResNet是何凱明在微軟的時候提出的深度殘差網絡，獲得了 ImageNet 2015 冠軍，通過讓網絡對殘差進行學習，在深度和精度上做到了比

CNN 更加強大。

1. 前期準備

shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat都可以在這裡找到。

然後準備幾個人的人臉圖片作為候選人臉，最好是正臉。放到candidate-faces文件夾中。

本文這裡準備的是六張圖片，如下：

她們分別是

然後準備四張需要識別的人臉圖像，其實一張就夠了，這裡只是要看看不同的情況：

可以看到前兩張和候選文件中的本人看起來還是差別不小的，第三張是候選人中的原圖，第四張圖片微微側臉，而且右側有陰影。

2.識別流程

數據準備完畢，接下來就是代碼了。識別的大致流程是這樣的：

3.代碼

代碼不做過多解釋，因為已經注釋的非常完善了。以下是girl-face-rec.py

# -*- coding: UTF-8 -*-

import sys,os,dlib,glob,numpy

from skimage import io

if len(sys.argv) != 5:

print “請檢查參數是否正確”

exit()

# 1.人臉關鍵點檢測器

predictor_path = sys.argv[1]

# 2.人臉識別模型

face_rec_model_path = sys.argv[2]

# 3.候選人臉文件夾

faces_folder_path = sys.argv[3]

# 4.需識別的人臉

img_path = sys.argv[4]

# 1.加載正臉檢測器

detector = dlib.get_frontal_face_detector()

# 2.加載人臉關鍵點檢測器

sp = dlib.shape_predictor(predictor_path)

# 3. 加載人臉識別模型

facerec = dlib.face_recognition_model_v1(face_rec_model_path)

# win = dlib.image_window()

# 候選人臉描述子list

descriptors = []

# 對文件夾下的每一個人臉進行:

# 1.人臉檢測

# 2.關鍵點檢測

# 3.描述子提取

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)

# 1.人臉檢測

dets = detector(img, 1)

print(“Number of faces detected: {}”.format(len(dets)))

for k, d in enumerate(dets):

# 2.關鍵點檢測

shape = sp(img, d)

# 畫出人臉區域和和關鍵點

# win.clear_overlay()

# win.add_overlay(d)

# win.add_overlay(shape)

# 3.描述子提取，128D向量

face_descriptor = facerec.compute_face_descriptor(img, shape)

# 轉換為numpy array

v = numpy.array(face_descriptor)

descriptors.append(v)

# 對需識別人臉進行同樣處理

# 提取描述子，不再注釋

img = io.imread(img_path)

dets = detector(img, 1)

dist = []

for k, d in enumerate(dets):

shape = sp(img, d)

face_descriptor = facerec.compute_face_descriptor(img, shape)

d_test = numpy.array(face_descriptor)

# 計算歐式距離

for i in descriptors:

dist_ = numpy.linalg.norm(i-d_test)

dist.append(dist_)

# 候選人名單

candidate = [‘Unknown1′,’Unknown2′,’Shishi’,’Unknown4′,’Bingbing’,’Feifei’]

# 候選人和距離組成一個dict

c_d = dict(zip(candidate,dist))

cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1])

print “\n The person is: “,cd_sorted[0][0]

dlib.hit_enter_to_continue()

4.運行結果

我們在.py所在的文件夾下打開命令行，運行如下命令

python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg

由於shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat名字實在太長，所以我把它們重命名為1.dat和2.dat。

運行結果如下：

The person is Bingbing。

記憶力不好的同學可以翻上去看看test1.jpg是誰的圖片。有興趣的話可以把四張測試圖片都運行下試試。

這裡需要說明的是，前三張圖輸出結果都是非常理想的。但是第四張測試圖片的輸出結果是候選人4。對比一下兩張圖片可以很容易發現混淆的原因。

機器畢竟不是人，機器的智能還需要人來提升。

有興趣的同學可以繼續深入研究如何提升識別的準確率。比如每個人的候選圖片用多張，然後對比和每個人距離的平均值之類的。全憑自己了。

python人臉識別所用的優化算法有什麼

python三步實現人臉識別

Face Recognition軟件包

這是世界上最簡單的人臉識別庫了。你可以通過Python引用或者命令行的形式使用它，來管理和識別人臉。

該軟件包使用dlib中最先進的人臉識別深度學習算法，使得識別準確率在《Labled Faces in the world》測試基準下達到了99.38%。

它同時提供了一個叫face_recognition的命令行工具，以便你可以用命令行對一個文件夾中的圖片進行識別操作。

特性

在圖片中識別人臉

找到圖片中所有的人臉

找到並操作圖片中的臉部特徵

獲得圖片中人類眼睛、鼻子、嘴、下巴的位置和輪廓

找到臉部特徵有很多超級有用的應用場景，當然你也可以把它用在最顯而易見的功能上：美顏功能（就像美圖秀秀那樣）。

鑒定圖片中的臉

識別圖片中的人是誰。

你甚至可以用這個軟件包做人臉的實時識別。

這裡有一個實時識別的例子：

1

安裝

環境要求

Python3.3+或者Python2.7

MacOS或者Linux（Windows不做支持，但是你可以試試，也許也能運行）

安裝步驟

在MacOS或者Linux上安裝

首先，確保你安裝了dlib，以及該軟件的Python綁定接口。如果沒有的話，看這篇安裝說明：

1      

然後，用pip安裝這個軟件包：

如果你安裝遇到問題，可以試試這個安裝好了的虛擬機：

1      

在樹莓派2+上安裝

看這篇說明：

1      

在Windows上安裝

雖然Windows不是官方支持的，但是有熱心網友寫出了一個Windows上的使用指南，請看這裡：

1      

使用已經配置好的虛擬機（支持VMWare和VirtualBox）

看這篇說明：

1      

使用方法

命令行接口

如果你已經安裝了face_recognition，那麼你的系統中已經有了一個名為face_recognition的命令，你可以使用它對圖片進行識別，或者對一個文件夾中的所有圖片進行識別。

首先你需要提供一個文件夾，裡面是所有你希望系統認識的人的圖片。其中每個人一張圖片，圖片以人的名字命名。

然後你需要準備另一個文件夾，裡面是你要識別的圖片。

然後你就可以運行face_recognition命令了，把剛剛準備的兩個文件夾作為參數傳入，命令就會返回需要識別的圖片中都出現了誰。

輸出中，識別到的每張臉都單獨佔一行，輸出格式為

通過Python模塊使用

你可以通過導入face_recognition模塊來使用它，使用方式超級簡單，文檔在這裡：

自動找到圖片中所有的臉

看看這個例子自己實踐一下：

1      

你還可以自定義替換人類識別的深度學習模型。

注意：想獲得比較好的性能的話，你可能需要GPU加速（使用英偉達的CUDA庫）。所以編譯的時候你也需要開啟dlib的GPU加速選項。

你也可以通過這個例子實踐一下：

1      

如果你有很多圖片和GPU，你也可以並行快速識別，看這篇文章：

1      

自動識別人臉特徵

試試這個例子：

1      

識別人臉鑒定是哪個人

這裡是一個例子：

1      

誰用過python中的第三方庫face recognition

簡介

該庫可以通過python或者命令行即可實現人臉識別的功能。使用dlib深度學習人臉識別技術構建，在戶外臉部檢測數據庫基準（Labeled Faces in the Wild）上的準確率為99.38%。

在github上有相關的鏈接和API文檔。

在下方為提供的一些相關源碼或是文檔。當前庫的版本是v0.2.0，點擊docs可以查看API文檔，我們可以查看一些函數相關的說明等。

安裝配置

安裝配置很簡單，按照github上的說明一步一步來就可以了。

根據你的python版本輸入指令：

pip install face_recognition11

或者

pip3 install face_recognition11

正常來說，安裝過程中會出錯，會在安裝dlib時出錯，可能報錯也可能會卡在那不動。因為pip在編譯dlib時會出錯，所以我們需要手動編譯dlib再進行安裝。

按照它給出的解決辦法：

1、先下載下來dlib的源碼。

git clone

2、編譯dlib。

cd dlib

mkdir build

cd build

cmake .. -DDLIB_USE_CUDA=0 -DUSE_AVX_INSTRUCTIONS=1

cmake –build1234512345

3、編譯並安裝python的拓展包。

cd ..

python3 setup.py install –yes USE_AVX_INSTRUCTIONS –no DLIB_USE_CUDA1212

注意：這個安裝步驟是默認認為沒有GPU的，所以不支持cuda。

在自己手動編譯了dlib後，我們可以在python中import dlib了。

之後再重新安裝，就可以配置成功了。

根據你的python版本輸入指令：

pip install face_recognition11

或者

pip3 install face_recognition11

安裝成功之後，我們可以在python中正常import face_recognition了。

編寫人臉識別程序

編寫py文件：

# -*- coding: utf-8 -*-

#

# 檢測人臉

import face_recognition

import cv2

# 讀取圖片並識別人臉

img = face_recognition.load_image_file(“silicon_valley.jpg”)

face_locations = face_recognition.face_locations(img)

print face_locations

# 調用opencv函數顯示圖片

img = cv2.imread(“silicon_valley.jpg”)

cv2.namedWindow(“原圖”)

cv2.imshow(“原圖”, img)

# 遍歷每個人臉，並標註

faceNum = len(face_locations)

for i in range(0, faceNum):

top = face_locations[i][0]

right = face_locations[i][1]

bottom = face_locations[i][2]

left = face_locations[i][3]

start = (left, top)

end = (right, bottom)

color = (55,255,155)

thickness = 3

cv2.rectangle(img, start, end, color, thickness)

# 顯示識別結果

cv2.namedWindow(“識別”)

cv2.imshow(“識別”, img)

cv2.waitKey(0)

cv2.destroyAllWindows()12345678910111213141516171819202122232425262728293031323334353637381234567891011121314151617181920212223242526272829303132333435363738

注意：這裡使用了python-OpenCV，一定要配置好了opencv才能運行成功。

運行結果：

程序會讀取當前目錄下指定的圖片，然後識別其中的人臉，並標註每個人臉。

（使用圖片來自美劇硅谷）

編寫人臉比對程序

首先，我在目錄下放了幾張圖片：

這裡用到的是一張喬布斯的照片和一張奧巴馬的照片，和一張未知的照片。

編寫程序：

# 識別圖片中的人臉

import face_recognition

jobs_image = face_recognition.load_image_file(“jobs.jpg”);

obama_image = face_recognition.load_image_file(“obama.jpg”);

unknown_image = face_recognition.load_image_file(“unknown.jpg”);

jobs_encoding = face_recognition.face_encodings(jobs_image)[0]

obama_encoding = face_recognition.face_encodings(obama_image)[0]

unknown_encoding = face_recognition.face_encodings(unknown_image)[0]

results = face_recognition.compare_faces([jobs_encoding, obama_encoding], unknown_encoding )

labels = [‘jobs’, ‘obama’]

print(‘results:’+str(results))

for i in range(0, len(results)):

if results[i] == True:

print(‘The person is:’+labels[i])123456789101112131415161718123456789101112131415161718

運行結果：

識別出未知的那張照片是喬布斯的。

攝像頭實時識別

代碼：

# -*- coding: utf-8 -*-

import face_recognition

import cv2

video_capture = cv2.VideoCapture(1)

obama_img = face_recognition.load_image_file(“obama.jpg”)

obama_face_encoding = face_recognition.face_encodings(obama_img)[0]

face_locations = []

face_encodings = []

face_names = []

process_this_frame = True

while True:

ret, frame = video_capture.read()

small_frame = cv2.resize(frame, (0, 0), fx=0.25, fy=0.25)

if process_this_frame:

face_locations = face_recognition.face_locations(small_frame)

face_encodings = face_recognition.face_encodings(small_frame, face_locations)

face_names = []

for face_encoding in face_encodings:

match = face_recognition.compare_faces([obama_face_encoding], face_encoding)

if match[0]:

name = “Barack”

else:

name = “unknown”

face_names.append(name)

process_this_frame = not process_this_frame

for (top, right, bottom, left), name in zip(face_locations, face_names):

top *= 4

right *= 4

bottom *= 4

left *= 4

cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)

cv2.rectangle(frame, (left, bottom – 35), (right, bottom), (0, 0, 255), 2)

font = cv2.FONT_HERSHEY_DUPLEX

cv2.putText(frame, name, (left+6, bottom-6), font, 1.0, (255, 255, 255), 1)

cv2.imshow(‘Video’, frame)

if cv2.waitKey(1) 0xFF == ord(‘q’):

break

video_capture.release()

cv2.destroyAllWindows()1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545512345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455

識別結果：

我直接在手機上百度了幾張圖試試，程序識別出了奧巴馬。

這個庫很cool啊！

python opencv 怎麼利用csv文件訓練人臉識別模型代碼

1.1.介紹Introduction

從OpenCV2.4開始，加入了新的類FaceRecognizer，我們可以使用它便捷地進行人臉識別實驗。本文既介紹代碼使用，又介紹算法原理。(他寫的源代碼，我們可以在OpenCV的opencv\modules\contrib\doc\facerec\src下找到，當然也可以在他的github中找到，如果你想研究源碼，自然可以去看看，不複雜)

目前支持的算法有

Eigenfaces特徵臉createEigenFaceRecognizer()

Fisherfaces createFisherFaceRecognizer()

LocalBinary Patterns Histograms局部二值直方圖 createLBPHFaceRecognizer()

下面所有的例子中的代碼在OpenCV安裝目錄下的samples/cpp下面都能找到，所有的代碼商用或者學習都是免費的。

1.2.人臉識別Face Recognition

對人類來說，人臉識別很容易。文獻[Tu06]告訴我們，僅僅是才三天的嬰兒已經可以區分周圍熟悉的人臉了。那麼對於計算機來說，到底有多難？其實，迄今為止，我們對於人類自己為何可以區分不同的人所知甚少。是人臉內部特徵(眼睛、鼻子、嘴巴)還是外部特徵(頭型、髮際線)對於人類識別更有效?我們怎麼分析一張圖像，大腦是如何對它編碼的？David Hubel和TorstenWiesel向我們展示，我們的大腦針對不同的場景，如線、邊、角或者運動這些局部特徵有專門的神經細胞作出反應。顯然我們沒有把世界看成零散的塊塊，我們的視覺皮層必須以某種方式把不同的信息來源轉化成有用的模式。自動人臉識別就是如何從一幅圖像中提取有意義的特徵，把它們放入一種有用的表示方式，然後對他們進行一些分類。基於幾何特徵的人臉的人臉識別可能是最直觀的方法來識別人臉。第一個自動人臉識別系統在[Kanade73]中又描述：標記點(眼睛、耳朵、鼻子等的位置)用來構造一個特徵向量(點與點之間的距離、角度等)。通過計算測試和訓練圖像的特徵向量的歐氏距離來進行識別。這樣的方法對於光照變化很穩健，但也有巨大的缺點：標記點的確定是很複雜的，即使是使用最先進的算法。一些幾何特徵人臉識別近期工作在文獻[Bru92]中有描述。一個22維的特徵向量被用在一個大數據庫上，單靠幾何特徵不能提供足夠的信息用於人臉識別。

特徵臉方法在文獻[TP91]中有描述，他描述了一個全面的方法來識別人臉：面部圖像是一個點，這個點是從高維圖像空間找到它在低維空間的表示，這樣分類變得很簡單。低維子空間低維是使用主元分析(Principal Component Analysis,PCA)找到的，它可以找擁有最大方差的那個軸。雖然這樣的轉換是從最佳重建角度考慮的，但是他沒有把標籤問題考慮進去。[gm:讀懂這段需要一些機器學習知識]。想象一個情況，如果變化是基於外部來源，比如光照。軸的最大方差不一定包含任何有鑒別性的信息，因此此時的分類是不可能的。因此，一個使用線性鑒別(Linear Discriminant Analysis,LDA)的特定類投影方法被提出來解決人臉識別問題[BHK97]。其中一個基本的想法就是，使類內方差最小的同時，使類外方差最大。

近年來，各種局部特徵提取方法出現。為了避免輸入的圖像的高維數據，僅僅使用的局部特徵描述圖像的方法被提出，提取的特徵(很有希望的)對於局部遮擋、光照變化、小樣本等情況更強健。有關局部特徵提取的方法有蓋伯小波(Gabor Waelets)([Wiskott97])，離散傅立葉變換(DiscreteCosinus Transform,DCT)([Messer06])，局部二值模式(LocalBinary Patterns,LBP)([AHP04])。使用什麼方法來提取時域空間的局部特徵依舊是一個開放性的研究問題，因為空間信息是潛在有用的信息。

1.3.人臉庫Face Database

我們先獲取一些數據來進行實驗吧。我不想在這裡做一個幼稚的例子。我們在研究人臉識別，所以我們需要一個真的人臉圖像！你可以自己創建自己的數據集，也可以從這裡()下載一個。

ATTFacedatabase又稱ORL人臉數據庫，40個人，每人10張照片。照片在不同時間、不同光照、不同表情(睜眼閉眼、笑或者不笑)、不同人臉細節(戴眼鏡或者不戴眼鏡)下採集。所有的圖像都在一個黑暗均勻的背景下採集的，正面豎直人臉(有些有有輕微旋轉)。