点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

我们将使用一些简单的代码来实现实时面部识别代码，我们可以对个人的面部进行预测。

现在，面部识别已成为生活中的一部分。因此，在介绍主题之前我们先看看实时面部识别示例。我们在手机、平板电脑等设备中使用人脸信息进行解锁的时候，这时就要求获取我们的实时面部图像，并将其储存在数据库中以进一步表明我们的身份。

通过对输入图像进行迭代和预测可以完成这个过程。同样，实时人脸识别可与OpenCV框架python的实现配合使用。再将它们组合在一个组合级别中，以实现用于实时目的的模型。

人脸识别

“面部识别”名称本身就是一个非常全面的定义，面部识别是通过数字媒体作为输入来识别或检测人脸的技术执行过程。

人脸识别的准确性可以提供高质量的输出，而不是忽略影响其的问题因素。在这里，要确保运行我们的模型，必须确保在本地系统中安装了库。

pip install face_recognition

如果在 face_recognition库的安装过程中遇到一些问题或错误，可以点击以下链接：https://www.youtube.com/watch?v=xaDJ5xnc8dc

人脸识别本身无法提供清晰的输出，因此出现了OpenCV实现的概念。

预先录制的视频中的人脸识别输出示例。

OpenCV

OpenCV是python中一个著名的库，用于实时应用程序。OpenCV在计算机世界中就像树的根一样非常重要。

face_recognition中的OpenCV对我们训练为输入的面部图像进行聚类和特征提取。它以图像中的地标为目标，以迭代方式在计算机视觉的深度学习方法中训练它们。

在本地系统中安装OpenCV

pip install opencv-python

使用深度学习算法，OpenCV检测可作为聚类，相似性检测和图像分类的表示。

为什么我们使用OpenCV作为实时Face_Recognition中的关键工具？

人类可以轻松检测到面部，但是我们如何训练机器识别面部？OpenCV在这里填补了人与计算机之间的空白，并充当了计算机的愿景。

以一个实时的例子为例，当一个人遇到新朋友时，他会记住这些人的脸，以备将来识别。一个人的大脑反复训练后端的人脸。因此，当他看到那个人的脸时，他说：“嗨，约翰！你好吗？”。

对面部的识别和可以为计算机提供与人类相同的思维方式。

OpenCV是计算机视觉中的重要工具。如果我们使用OpenCV，则遵循以下步骤：

• 通过输入提取数据。

• 识别图像中的面部。

• 提取独特的特征，以建立预测思想。

• 该特定人的性格特征，如鼻子，嘴巴，耳朵，眼睛和面部主要特征。

• 实时人脸识别中人脸的比较。

• 识别出的人脸的最终输出。

使用OpenCV python的Face_Recognition：

代码下载：https://github.com/eazyciphers/deep-machine-learning-tutors/tree/master/Real-Time Face RecognitionGitHub

导入所有软件包：

import face_recognition
import cv2
import numpy as np

加载并训练图像：

# Load a sample picture and learn how to recognize it.
Jithendra_image = face_recognition.load_image_file("jithendra.jpg")
Jithendra_face_encoding = face_recognition.face_encodings(Jithendra_image)[0]
# Load a sample picture and learn how to recognize it.
Modi_image = face_recognition.load_image_file("Modi.jpg")
Modi_face_encoding = face_recognition.face_encodings(Modi_image)[0]

人脸编码：

# Create arrays of known face encodings and their names
known_face_encodings = [
Jithendra_face_encoding,
Modi_face_encoding,
]
known_face_names = [
"Jithendra",
"Modi"
]

主要方法：

当实时人脸识别为true时，它将检测到人脸并按照代码中的以下步骤操作：

• 抓取实时视频中的一帧。

• 将图像从BGR颜色（OpenCV使用的颜色）转换为RGB颜色（face_recognition使用的颜色）

• 在实时视频的帧中找到所有面部和面部编码。

• 循环浏览此视频帧中的每个面孔，并检查该面孔是否与现有面孔匹配。

• 如果一个人脸无法识别现有人脸，则将输出视为未知或未知。

• 识别后，否则在识别出的脸部周围画一个方框。

• 用其名称标记识别的面部。

• 识别后显示结果图像。

退出：

# Hit 'q' on the keyboard to quit!
if cv2.waitKey(1) & 0xFF == ord('q'):
break

释放摄像头的手柄：

# Release handle to the webcam
video_capture.release()
cv2.destroyAllWindows()

输入和输出

在训练过程中提供给模型的样本输入…。

输入

用于训练代码的样本图像

样本输入图像进行训练

输出：

记录输出

代码参考：https : //github.com/eazyciphers/deep-machine-learning-tutors

参考文献：

https://www.pyimagesearch.com/2018/09/24/opencv-face-recognition/

https://www.superdatascience.com/blogs/opencv-face-recognition

https://zh.wikipedia.org/wiki/Facial_recognition_system