2.使用insightface读取视频进行人脸识别

1.人脸特征持久化

输入数据集的人脸并得到特征向量之后，首先要持久化下来。

import numpy as np
'''
前面的忽略，就是加载模型，获取数据集，跑模型得到向量f
'''
'''关键代码'''
f = model.get_feature(img)
f.tofile('/myfeature/rep.bin')# 读取
f_ = np.fromfile('/myfeature/rep.bin', dtype=np.float32)
print(f_)

2.人脸识别

思路：

使用opencv读取视频流。
获取每一帧并进行人脸检测，进一步特征提取。
与特征库的特征进行比对。
设置阈值，求当前特征与特征库特征的距离，提取出最小的距离与阈值比对，如果小于阈值则返回特征所对应的姓名。
输出姓名到视频流中并用矩形框出识别出的人脸。

import face_model_v2 as face_model
import argparse
import cv2
import sys
import numpy as np
import pandas as pd
import os
parser = argparse.ArgumentParser(description='face model test')
# general
parser.add_argument('--image-size', default='112,112', help='')
parser.add_argument('--model', default='/models/model-r100-ii/model,0', help='path to load model.')
parser.add_argument('--ga-model', default='/models/gamodel-r50/model,0', help='path to load model.')
parser.add_argument('--gpu', default=0, type=int, help='gpu id')
parser.add_argument('--det', default=0, type=int, help='mtcnn option, 1 means using R+O, 0 means detect from begining')
parser.add_argument('--flip', default=0, type=int, help='whether do lr flip aug')
parser.add_argument('--threshold', default=1.24, type=float, help='ver dist threshold')
parser.add_argument('--videoPath', default=0)
parser.add_argument('--binPath', default=0)
args = parser.parse_args()
model = face_model.FaceModel(args)
# 获得持久化的特征库与对应的label
threshold = float(args.threshold)
#print(threshold)
videoPath = args.videoPath
binPath = args.binPath
feature = []
label = []
# 遍历目录获得目录中文件名字作为label,文件内容加入feature
for bin_ in os.listdir(binPath):# 注意要指定dtypefeature.append(np.fromfile(binPath+'/' + bin_, dtype=np.float32))label.append(bin_.split('.')[0])# 查找当前特征最接近的特征
def findNear(feature, f, threshold, label):dist_list = []# 遍历特征库for feature_unit in feature:# 距离的定义是(特征1-特征2)开根号并求和dist = np.sum(np.square(feature_unit - f))# dist_list作用是将所有距离都保存下来，以便获得最小距离dist_list.append(dist)# 寻找到最小距离minDist = np.min(dist_list)# 如果最小距离小于等于阈值if minDist <= threshold:# 求出最小距离对应的索引minIdx = np.argmin(dist_list)# 找到姓名return label[minIdx]else:# 如果没有满足条件的，就返回'none'return 'none'
print('*'*8, 'into video')
# read video
try:# 按路径读取视频cap = cv2.VideoCapture(videoPath)# 将视频缩小，目的是加快程序运行速度。cap.set(3, 240)cap.set(4, 180)print('get video')# 获得当前图像长宽width = int(cap.get(3))height = int(cap.get(4))# 不光读取图像，还要讲识别结果写入视频并返回，所以这一步是指定视频编码fourcc = cv2.VideoWriter_fourcc(*'XVID')# 指定视频输出对象，视频输出路径、编码、帧数、视频大小out = cv2.VideoWriter('./video/output.avi', fourcc, 25, (width,height))# 开始读取视频并做识别while True:# 读取视频，ret-是否读取成功, frame-图像ret, frame = cap.read()if ret:try:# 这里修改了一下face_model,使其返回的多个人脸和对应坐标imgs,bbox = model.get_input(frame)# 遍历人脸和坐标for img_unit,bbox_unit in zip(imgs, bbox):# 因为有可能没有人脸，所以如果img_unit有shape值，那就是有人脸if img_unit.shape:# 获得特征f = model.get_feature(img_unit)# 找到匹配信息res = findNear(feature, f, threshold, label)# 如果匹配到了姓名if res != 'none':# 用方框标注,bbox_unit中的值为(左，上，右，下)# 按照cv2.rectangle的参数写入cv2.rectangle(frame, (int(bbox_unit[0]), int(bbox_unit[1])),(int(bbox_unit[2]), int(bbox_unit[3])), (0,0,255))# 标记文字到图像中,参数:图像，文字，位置，字体，大小，颜色，宽度frame = cv2.putText(frame, res, (int(bbox_unit[2]), int(bbox_unit[3])+2), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,0,255), 1)# 写出视频out.write(frame)except Exception as e:# 如果图像没有shape代表着没有人脸，img.shape就会报NoneType错误，捕获错误，并直接写出视频out.write(frame)# 每帧遍历if cv2.waitKey(1) & 0xff == ord('q'):break# 视频读取完毕，ret返回false那么退出循环else:break# 释放资源cap.release()out.release()cv2.destroyAllWindows()
# 程序就算报错也要正常释放资源，所以要捕获这个视频识别流程
except Exception as e:print(e)
# 最终释放资源
finally:cap.release()out.release()cv2.destroyAllWindows()
print('final')

3.源码改动

因为，源码指定了只检测一个人脸，所以需要更改源码以获得多个人脸进行识别。

进入insightface/deploy路径找到face_model.py，复制一份更名face_model_v2.py并编辑。

# 主要修改get_input方法
def get_input(self, face_img):#print('into face_model_v2')ret = self.detector.detect_face(face_img, det_type = self.args.det)if ret is None:return Nonebbox, points = ret# 存放所有检测的人脸图像aligned_list = []# 存放所有人脸坐标bbox_list = []    if bbox.shape[0]==0:return Nonefor i in range(bbox.shape[0]):# 获取每一个坐标bbox_ = bbox[i,0:4]# 存放坐标bbox_list.append(bbox_)# 获取每一个特征点points_ = points[i,:].reshape((2,5)).Tnimg = face_preprocess.preprocess(face_img, bbox_, points_, image_size='112,112')nimg = cv2.cvtColor(nimg, cv2.COLOR_BGR2RGB)aligned = np.transpose(nimg, (2,0,1))# 存放坐标aligned_list.append(aligned)
return aligned_list, bbox_list

4.接下来跑程序就行了，注意一下路径

2.使用insightface读取视频进行人脸识别相关推荐

opencv对视频进行人脸识别--使用videoCapture类
文章目录前言一.libfacedetection的配置及基本介绍: 二.VideoCapture类: 1.构造函数类型: 2.1.1.VideoCapture(); 2.1.2.VideoCapt ...
haar分类器详解（Haar特征，积分图，adaboost算法，筛选式级联分类器），DCG介绍 --文献阅读报告《基于素描对视频的人脸识别研究》
基于素描对视频的人脸识别--haar分类器详解,haar特征,adaboost,级联强分类器,积分图,DCG 背景算法总体流程 1.预处理--识别出人脸并将人脸图像标准化 haar特征积分图--加 ...
python读取视频流做人脸识别_基于 Python + OpenCV 进行人脸识别，视频追踪代码全注释...
1 #-*- coding: utf-8 -*- 2 from __future__ importunicode_literals3 #操作文件 4 importos5 #科学计算 6 importn ...
python读取视频流做人脸识别_python实现图片，视频人脸识别(opencv版)
图片人脸识别 import cv2 filepath = "img/xingye-1.png" img = cv2.imread(filepath) # 读取图片 gray = c ...
python读取视频流做人脸识别_基于OpenCV和Keras实现人脸识别系列——二、使用OpenCV通过摄像头捕获实时视频并探测人脸、准备人脸数据...
基于OpenCV和Keras实现人脸识别系列手记: 项目完整代码参见Github仓库. 本篇是上面这一系列手记的第二篇. 在Opencv初接触,图片的基本操作这篇手记中,我介绍了一些图片的基本操作,而 ...
QT Opencv 图像处理视频处理人脸识别
前言近期学习了OpenCV的一些函数然后配合着函数跟QT的一些UI写一个图像跟视频处理跟摄像头处理的一些功能但是这个主要的一个框架是学习一个视频的当时主要讲的是一个OpenCV的视频处理的 U ...
TSINGSEE青犀视频平台人脸识别比对控制比对时间间隔的代码设计
随着人工智能进入快速发展的阶段,安防视频监控平台也过渡到以智能化应用为主流趋势的新赛道.TSINGSEE青犀视频基于多年在音视频领域的深耕与开拓,我们也积极以AI技术为核心进行产品的转型升级.当前阶段 ...
百度飞浆之PaddleHub视频移动人脸识别
百度AI Studio原项目链接------点击此处前往安装paddlehub 使用pip简单操作即可 pip install paddlehub paddlehub丰富的预训练模型链接:点击此处前 ...
麦子学院深度学习视频SVM人脸识别课程代码修改及实现
1.麦子学院深度学习SVM人脸识别原代码对应修改 2.代码实现 1.麦子学院深度学习SVM人脸识别原代码对应修改 1.1 from sklearn.cross_validation import tr ...

2.使用insightface读取视频进行人脸识别

2.使用insightface读取视频进行人脸识别相关推荐

最新文章

热门文章