python人臉比對餘弦,python 人臉對比

本文目錄一覽：

• 1、python 怎麼調用餘弦相似度函數
• 2、誰用過python中的第三方庫face recognition
• 3、餘弦相似度python實現
• 4、餘弦相似度
• 5、python 使用餘弦相似度計算之後如何設置一個閾值呢

python 怎麼調用餘弦相似度函數

比如你在a.py的文件中定義了一個test(x,y)函數，在shell中調用的時候from a import testtest(x,y)

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，在戶外臉部檢測資料庫基準（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。

（使用圖片來自美劇矽谷）

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！

餘弦相似度python實現

通過夾角的大小，來判斷向量的相似程度。夾角越小，就代表越相似。

餘弦相似度是文本相似度度量中使用較多的一種方法，對於兩個向量X和Y，其對應的形式如下：

X=（x1,x2…,xn）

Y=（y1,y2…,yn）

其向量的餘弦相似度公式為：

X,Y對應其中的A和B

python實現：

輸出結果：0.5000000000000001

結果越接近1，夾角就越接近0，代表越相似。

越趨近於-1，他們的方向越相反；接近於0，表示兩個向量近乎於正交

餘弦相似度

簡介：餘弦相似度，即兩物體之間的cos$值，值越大，表示兩物體的相似度越大。

1、向量空間餘弦相似度：即向量空間中兩夾角的餘弦值。其值在0-1之間，兩向量越接近，其夾角越小，餘弦值越接近於1。

2、n維空間的餘弦公式：

3、python中的工具：

numpy中提供了範數的計算工具： linalg.norm()，假定X、Y均為列向量，

則：    num = float(X.T * Y)#若為行向量則 X * Y.T

           denom = linalg.norm(X) * linalg.norm(Y)

           cos = num / denom#餘弦值

           sim =0.5+0.5* cos#歸一化

           dist = linalg.norm(X – Y)

          sim =1.0/ (1.0+ dist)#歸一化

4、例子：

＊＊＊文本相似度＊＊＊＊

sim =1.0/ (1.0+ dist)#歸一化

句子A：這隻皮靴號碼大了。那隻號碼合適

句子B：這隻皮靴號碼不小，那隻更合適

怎樣計算上面兩句話的相似程度？

基本思路是：如果這兩句話的用詞越相似，它們的內容就應該越相似。因此，可以從詞頻入手，計算它們的相似程度。

第一步，分詞 。

句子A：這隻/皮靴/號碼/大了。那隻/號碼/合適。

句子B：這隻/皮靴/號碼/不/小，那隻/更/合適。

第二步，列出所有的詞。

這隻，皮靴，號碼，大了。那隻，合適，不，小，很

第三步，計算詞頻。

句子A：這隻1，皮靴1，號碼2，大了1。那隻1，合適1，不0，小0，更0

句子B：這隻1，皮靴1，號碼1，大了0。那隻1，合適1，不1，小1，更1

第四步，寫出詞頻向量。

句子A：(1，1，2，1，1，1，0，0，0)

句子B：(1，1，1，0，1，1，1，1，1)

到這裡，問題就變成了如何計算這兩個向量的相似程度。我們可以把它們想像成空間中的兩條線段，都是從原點（[0, 0, …]）出發，指向不同的方向。兩條線段之間形成一個夾角，如果夾角為0度，意味著方向相同、線段重合,這是表示兩個向量代表的文本完全相等；如果夾角為90度，意味著形成直角，方向完全不相似；如果夾角為180度，意味著方向正好相反。因此，我們可以通過夾角的大小，來判斷向量的相似程度。夾角越小，就代表越相似。

使用上面的公式(4)

計算兩個句子向量

句子A：(1，1，2，1，1，1，0，0，0)

和句子B：(1，1，1，0，1，1，1，1，1)的向量餘弦值來確定兩個句子的相似度。

計算過程如下：

計算結果中夾角的餘弦值為0.81非常接近於1，所以，上面的句子A和句子B是基本相似的

由此，我們就得到了文本相似度計算的處理流程是:

（1）找出兩篇文章的關鍵詞；

（2）每篇文章各取出若干個關鍵詞，合併成一個集合，計算每篇文章對於這個集合中的詞的詞頻

（3）生成兩篇文章各自的詞頻向量；

（4）計算兩個向量的餘弦相似度，值越大就表示越相似。

python 使用餘弦相似度計算之後如何設置一個閾值呢

找一個驗證集合，遍歷可能的閾值，計算評價指標，確定最佳閾值