python中的dlib使用的簡單介紹

本文目錄一覽：

• 1、dlib庫，怎麼在python中安裝
• 2、如何線上部署用python基於dlib寫的人臉識別演算法
• 3、如何提高python下的dlib人臉檢測速度
• 4、誰用過python中的第三方庫face recognition

dlib庫，怎麼在python中安裝

現進入CMD，然後輸入DOS命令進入setup.py文件所在目錄，然後輸入python setup.py install就搞定了。

如何線上部署用python基於dlib寫的人臉識別演算法

python使用dlib進行人臉檢測與人臉關鍵點標記

Dlib簡介：

首先給大家介紹一下Dlib

Dlib是一個跨平台的C++公共庫，除了線程支持，網路支持，提供測試以及大量工具等等優點，Dlib還是一個強大的機器學習的C++庫，包含了許多機器學習常用的演算法。同時支持大量的數值演算法如矩陣、大整數、隨機數運算等等。

Dlib同時還包含了大量的圖形模型演算法。

最重要的是Dlib的文檔和例子都非常詳細。

Dlib主頁：

這篇博客所述的人臉標記的演算法也是來自Dlib庫，Dlib實現了One Millisecond Face Alignment with an Ensemble of Regression Trees中的演算法

這篇論文非常出名，在谷歌上打上One Millisecond就會自動補全，是CVPR 2014(國際計算機視覺與模式識別會議)上的一篇國際頂級水平的論文。毫秒級別就可以實現相當準確的人臉標記，包括一些半側臉，臉很不清楚的情況，論文本身的演算法十分複雜，感興趣的同學可以下載看看。

Dlib實現了這篇最新論文的演算法，所以Dlib的人臉標記演算法是十分先進的，而且Dlib自帶的人臉檢測庫也很準確，我們項目受到硬體所限，攝像頭拍攝到的畫面比較模糊，而在這種情況下之前嘗試了幾個人臉庫，識別率都非常的低，而Dlib的效果簡直出乎意料。

相對於C++我還是比較喜歡使用python，同時Dlib也是支持python的，只是在配置的時候碰了不少釘子，網上大部分的Dlib資料都是針對於C++的，我好不容易才配置好了python的dlib，這裡分享給大家：

Dlib for python 配置：

因為是用python去開發計算機視覺方面的東西，python的這些科學計算庫是必不可少的，這裡我把常用的科學計算庫的安裝也涵蓋在內了，已經安裝過這些庫的同學就可以忽略了。

我的環境是Ubuntu14.04:

大家都知道Ubuntu是自帶python2.7的，而且很多Ubuntu系統軟體都是基於python2.7的，有一次我系統的python版本亂了，我腦殘的想把python2.7卸載了重裝，然後……好像是提醒我要卸載幾千個軟體來著，沒看好直接回車了，等我反應過來Ctrl + C 的時候系統已經沒了一半了…

所以我發現想要搞崩系統，這句話比rm -rf 還給力…

sudo apt-get remove python2.71

首先安裝兩個python第三方庫的下載安裝工具,ubuntu14.04好像是預裝了easy_install

以下過程都是在終端中進行：

1.安裝pip

sudo apt-get install python-pip1

2.安裝easy-install

sudo apt-get install python-setuptools1

3.測試一下easy_install

有時候系統環境複雜了，安裝的時候會安裝到別的python版本上，這就麻煩了，所以還是謹慎一點測試一下，這裡安裝一個我之前在博客中提到的可以模擬瀏覽器的第三方python庫測試一下。

sudo easy_install Mechanize1

4.測試安裝是否成功

在終端輸入python進入python shell

python1

進入python shell後import一下剛安裝的mechanize

import mechanize1

沒有報錯，就是安裝成功了，如果說沒有找到，那可能就是安裝到別的python版本的路徑了。

同時也測試一下PIL這個基礎庫

import PIL1

沒有報錯的話，說明PIL已經被預裝過了

5.安裝numpy

接下來安裝numpy

首先需要安裝python-dev才可以編譯之後的擴展庫

sudo apt-get install python-dev1

之後就可以用easy-install 安裝numpy了

sudo easy_install numpy1

這裡有時候用easy-install 安裝numpy下載的時候會卡住，那就只能用 apt-get 來安裝了：

sudo apt-get install numpy1

不推薦這樣安裝的原因就是系統環境或者說python版本多了之後，直接apt-get安裝numpy很有可能不知道裝到哪個版本去了，然後就很麻煩了，我有好幾次遇到這個問題,不知道是運氣問題還是什麼，所以風險還是很大的，所以還是盡量用easy-install來安裝。

同樣import numpy 進行測試

python

import numpy1234

沒有報錯的話就是成功了

下面的安裝過程同理，我就從簡寫了，大家自己每步別忘了測試一下

6.安裝scipy

sudo apt-get install python-scipy1

7.安裝matplotlib

sudo apt-get install python-matplotlib1

8.安裝dlib

我當時安裝dlib的過程簡直太艱辛，網上各種說不知道怎麼配，配不好，我基本把stackoverflow上的方法試了個遍，才最終成功編譯出來並且導入，不過聽說18.18更新之後有了setup.py,那真是極好的，18.18我沒有親自配過也不能亂說，這裡給大家分享我配置18.17的過程吧：

1.首先必須安裝libboost，不然是不能使用.so庫的

sudo apt-get install libboost-python-dev cmake1

2.到Dlib的官網上下載dlib，會下載下來一個壓縮包，裡面有C++版的dlib庫以及例子文檔，Python dlib庫的代碼例子等等

我使用的版本是dlib-18.17,大家也可以在我這裡下載：

之後進入python_examples下使用bat文件進行編譯，編譯需要先安裝libboost-python-dev和cmake

cd to dlib-18.17/python_examples

./compile_dlib_python_module.bat 123

之後會得到一個dlib.so，複製到dist-packages目錄下即可使用

這裡大家也可以直接用我編譯好的.so庫,但是也必須安裝libboost才可以，不然python是不能調用so庫的，下載地址：

將.so複製到dist-packages目錄下

sudo cp dlib.so /usr/local/lib/python2.7/dist-packages/1

最新的dlib18.18好像就沒有這個bat文件了，取而代之的是一個setup文件，那麼安裝起來應該就沒有這麼麻煩了，大家可以去直接安裝18.18，也可以直接下載複製我的.so庫，這兩種方法應該都不麻煩～

有時候還會需要下面這兩個庫，建議大家一併安裝一下

9.安裝skimage

sudo apt-get install python-skimage1

10.安裝imtools

sudo easy_install imtools1

Dlib face landmarks Demo

環境配置結束之後，我們首先看一下dlib提供的示常式序

1.人臉檢測

dlib-18.17/python_examples/face_detector.py 源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt##   This example program shows how to find frontal human faces in an image.  In#   particular, it shows how you can take a list of images from the command#   line and display each on the screen with red boxes overlaid on each human#   face.##   The examples/faces folder contains some jpg images of people.  You can run#   this program on them and see the detections by executing the#   following command:#       ./face_detector.py ../examples/faces/*.jpg##   This face detector is made using the now classic Histogram of Oriented#   Gradients (HOG) feature combined with a linear classifier, an image#   pyramid, and sliding window detection scheme.  This type of object detector#   is fairly general and capable of detecting many types of semi-rigid objects#   in addition to human faces.  Therefore, if you are interested in making#   your own object detectors then read the train_object_detector.py example#   program.  ### COMPILING THE DLIB PYTHON INTERFACE#   Dlib comes with a compiled python interface for python 2.7 on MS Windows. If#   you are using another python version or operating system then you need to#   compile the dlib python interface before you can use this file.  To do this,#   run compile_dlib_python_module.bat.  This 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 -U scikit-image#   Or downloaded from . import sys

import dlib

from skimage import io

detector = dlib.get_frontal_face_detector()

win = dlib.image_window()

print(“a”);for f in sys.argv[1:]:

print(“a”);

print(“Processing file: {}”.format(f))

img = io.imread(f)

# 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)))    for i, d in enumerate(dets):

print(“Detection {}: Left: {} Top: {} Right: {} Bottom: {}”.format(

i, d.left(), d.top(), d.right(), d.bottom()))

win.clear_overlay()

win.set_image(img)

win.add_overlay(dets)

dlib.hit_enter_to_continue()# Finally, if you really want to you can ask the detector to tell you the score# for each detection.  The score is bigger for more confident detections.# Also, the idx tells you which of the face sub-detectors matched.  This can be# used to broadly identify faces in different orientations.if (len(sys.argv[1:]) 0):

img = io.imread(sys.argv[1])

dets, scores, idx = detector.run(img, 1)    for i, d in enumerate(dets):

print(“Detection {}, score: {}, face_type:{}”.format(

d, scores[i], idx[i]))123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081

我把源代碼精簡了一下，加了一下注釋： face_detector0.1.py

# -*- coding: utf-8 -*-import sys

import dlib

from skimage import io#使用dlib自帶的frontal_face_detector作為我們的特徵提取器detector = dlib.get_frontal_face_detector()#使用dlib提供的圖片窗口win = dlib.image_window()#sys.argv[]是用來獲取命令行參數的，sys.argv[0]表示代碼本身文件路徑，所以參數從1開始向後依次獲取圖片路徑for f in sys.argv[1:]:    #輸出目前處理的圖片地址

print(“Processing file: {}”.format(f))    #使用skimage的io讀取圖片

img = io.imread(f)    #使用detector進行人臉檢測 dets為返回的結果

dets = detector(img, 1)    #dets的元素個數即為臉的個數

print(“Number of faces detected: {}”.format(len(dets)))    #使用enumerate 函數遍歷序列中的元素以及它們的下標

#下標i即為人臉序號

#left：人臉左邊距離圖片左邊界的距離 ；right：人臉右邊距離圖片左邊界的距離

#top：人臉上邊距離圖片上邊界的距離 ；bottom：人臉下邊距離圖片上邊界的距離

for i, d in enumerate(dets):

print(“dets{}”.format(d))

print(“Detection {}: Left: {} Top: {} Right: {} Bottom: {}”

.format( i, d.left(), d.top(), d.right(), d.bottom()))    #也可以獲取比較全面的信息，如獲取人臉與detector的匹配程度

dets, scores, idx = detector.run(img, 1)

for i, d in enumerate(dets):

print(“Detection {}, dets{},score: {}, face_type:{}”.format( i, d, scores[i], idx[i]))    

#繪製圖片(dlib的ui庫可以直接繪製dets)

win.set_image(img)

win.add_overlay(dets)    #等待點擊

dlib.hit_enter_to_continue()1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950

分別測試了一個人臉的和多個人臉的，以下是運行結果：

運行的時候把圖片文件路徑加到後面就好了

python face_detector0.1.py ./data/3.jpg12

一張臉的：

兩張臉的：

這裡可以看出側臉與detector的匹配度要比正臉小的很多

2.人臉關鍵點提取

人臉檢測我們使用了dlib自帶的人臉檢測器（detector），關鍵點提取需要一個特徵提取器（predictor），為了構建特徵提取器，預訓練模型必不可少。

除了自行進行訓練外，還可以使用官方提供的一個模型。該模型可從dlib sourceforge庫下載：

arks.dat.bz2

也可以從我的連接下載：

這個庫支持68個關鍵點的提取，一般來說也夠用了，如果需要更多的特徵點就要自己去訓練了。

dlib-18.17/python_examples/face_landmark_detection.py 源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt##   This example program shows how to find frontal human faces in an image and#   estimate their pose.  The pose takes the form of 68 landmarks.  These are#   points on the face such as the corners of the mouth, along the eyebrows, on#   the eyes, and so forth.##   This face detector is made using the classic Histogram of Oriented#   Gradients (HOG) feature combined with a linear

如何提高python下的dlib人臉檢測速度

Dlib is capable of detecting faces in very small areas (80×80 pixels). You are probably sending raw WebCam frames at approximately 1280×720 resolution, which is not necessary. I recommend from my experience to reduce the frames about a quarter of the original resolution. Yes, 320×180 is fine for Dlib. In consequence you will get 4x speed.

· try turning on the compilation optimizations while building Dlib, you will get significantly improvement in speed.

· Dlib works faster with grayscale images. You do not need the color on the webcam frame. You can use OpenCV to convert into grayscale the previously reduced in size frame.

· Dlib takes its time finding faces but is extremely fast finding landmarks on faces. Only if your Webcam provides a high framerate (24-30fps), you could skip some frames because faces normally doesn’t move so much.

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！