概述

此示例演示如何使用dlib作为人脸识别工具，dlib提供一个方法可将人脸图片数据映射到128维度的空间向量，如果两张图片来源于同一个人，那么两个图片所映射的空间向量距离就很近，否则就会很远。因此，可以通过提取图片并映射到128维空间向量再度量它们的欧氏距离(Euclidean distance)是否足够小来判定是否为同一个人。

当设置向量距离阈值为0.6时，2007年，在与其他先进的人脸识别方法的比赛中，dlib模型在LFW人脸数据集基线测试准确率为99.38%。这个准确率意味着,在判断一对照片是否为同一个人时，dlib工具将具有99.38%的准确率。

方法实现

实现步骤

实例化人脸检测模型、人脸关键点检测模型、人脸识别模型
加载一对图片
分别获取图片中的人脸图片所映射的空间向量，即人脸特征值
计算特征向量欧氏距离，根据阈值判断是否为同一个人

示例代码

import sys
import os
import dlib
import glob
import numpy as npdef find_euclidean_distance(source_representation, test_representation):"""计算向量的欧氏距离"""euclidean_distance = source_representation - test_representationeuclidean_distance = np.sum(np.multiply(euclidean_distance, euclidean_distance))euclidean_distance = np.sqrt(euclidean_distance)return euclidean_distance# 加载模型
face_detect_model_path = '../models/mmod_human_face_detector.dat'
face_shape_predictor_path = '../models/shape_predictor_5_face_landmarks.dat'
face_rec_model_path = '../models/dlib_face_recognition_resnet_model_v1.dat'
face_detector = dlib.cnn_face_detection_model_v1(face_detect_model_path)
face_shape_predictor = dlib.shape_predictor(face_shape_predictor_path)
face_recognition_model = dlib.face_recognition_model_v1(face_rec_model_path)image_path = r'sample1.jpg'
image_cmp_path = r'sample12.jpg'
image=dlib.load_rgb_image(image_path)
image_cmp = dlib.load_rgb_image(image_cmp_path)face_detections = face_detector(image, 1)
# 假定每张对比图片只有一张人脸
face_shape=face_shape_predictor(image, face_detections[0].rect)
# 获取人脸图片128维向量
face_descriptor = face_recognition_model.compute_face_descriptor(image,face_shape,10,0.35)
face_feature = np.array(face_descriptor)# 获取对比人脸图片的128维向量
face_cmp_detections = face_detector(image_cmp, 1)
face_cmp_shape = face_shape_predictor(image_cmp, face_cmp_detections[0].rect)
face_cmp_descriptor = face_recognition_model.compute_face_descriptor(image_cmp, face_cmp_shape,10,0.35)
face_cmp_feature = np.array(face_cmp_descriptor)# 获取向量欧式距离
distance = find_euclidean_distance(face_feature, face_cmp_feature)
print(distance)

获取人脸向量方法,可继续添加参数如下 :
face_descriptor = face_recognition_model.compute_face_descriptor(img, shape, 100, 0.25)

在LFW数据集测试中，不传入100这个参数，得到的正确率是99.13%，传入参数100，正确率为99.38%.然而，传入100这个参数,使得这个方法的执行速度慢了100倍，所以按需选择即可。进一步解释一下第三个参数，第三个参数用来告诉函数执行多少次人脸提取(jitter/resample),当设置为100时，会提取100次稍作修改的人脸图片并取平均值，再去映射为空间向量，这个数值可以设置小一点，例如 10，那么执行速度将会慢10倍而不是100倍，正确率却依然有99.3%.
第四个参数值padding(0.25)是人脸图形的内边距.设置padding为0将会沿着人脸区域剪切，padding值越大，剪切的图片将会向外延伸，padding设置为0.5时，图像宽度变为原来的2倍，padding设置为1时为三倍，以此类推.

重载方法

另外一种获取人脸特征向量的方法(直接传入已对齐的人脸图片)：

# 获取人脸对齐图片，必须是默认的尺寸(150*150)
face_chip = dlib.get_face_chip(img, shape)# 获取特征向量
face_feature_from_prealigned_image = face_recognition_model.compute_face_descriptor(face_chip)

重载方法汇总：

1. compute_face_descriptor(self, img: numpy.ndarray[(rows,cols,3),uint8], face: dlib.full_object_detection, num_jitters: int=0, padding: float=0.25) -> dlib.vectorTakes an image and a full_object_detection that references a face in that image and converts it into a 128D face descriptor. If num_jitters>1 then each face will be randomly jittered slightly num_jitters times, each run through the 128D projection, and the average used as the face descriptor.Optionally allows to override default padding of 0.25 around the face.2. compute_face_descriptor(self, img: numpy.ndarray[(rows,cols,3),uint8], num_jitters: int=0) -> dlib.vectorTakes an aligned face image of size 150x150 and converts it into a 128D face descriptor.Note that the alignment should be done in the same way dlib.get_face_chip does it.If num_jitters>1 then image will be randomly jittered slightly num_jitters times, each run through the 128D projection, and the average used as the face descriptor. 3. compute_face_descriptor(self, img: numpy.ndarray[(rows,cols,3),uint8], faces: dlib.full_object_detections, num_jitters: int=0, padding: float=0.25) -> dlib.vectorsTakes an image and an array of full_object_detections that reference faces in that image and converts them into 128D face descriptors.  If num_jitters>1 then each face will be randomly jittered slightly num_jitters times, each run through the 128D projection, and the average used as the face descriptor. Optionally allows to override default padding of 0.25 around the face.4. compute_face_descriptor(self, batch_img: List[numpy.ndarray[(rows,cols,3),uint8]], batch_faces: List[dlib.full_object_detections], num_jitters: int=0, padding: float=0.25) -> dlib.vectorssTakes an array of images and an array of arrays of full_object_detections. `batch_faces[i]` must be an array of full_object_detections corresponding to the image `batch_img[i]`, referencing faces in that image. Every face will be converted into 128D face descriptors.  If num_jitters>1 then each face will be randomly jittered slightly num_jitters times, each run through the 128D projection, and the average used as the face descriptor. Optionally allows to override default padding of 0.25 around the face.5. compute_face_descriptor(self, batch_img: List[numpy.ndarray[(rows,cols,3),uint8]], num_jitters: int=0) -> dlib.vectorsTakes an array of aligned images of faces of size 150_x_150.Note that the alignment should be done in the same way dlib.get_face_chip does it.Every face will be converted into 128D face descriptors.  If num_jitters>1 then each face will be randomly jittered slightly num_jitters times, each run through the 128D projection, and the average used as the face descriptor.

dlib实现人脸识别方法相关推荐

python人脸识别毕业设计-Python基于Dlib的人脸识别系统的实现
之前已经介绍过人脸识别的基础概念,以及基于opencv的实现方式,今天,我们使用dlib来提取128维的人脸嵌入,并使用k临近值方法来实现人脸识别. 人脸识别系统的实现流程与之前是一样的,只是这里我们 ...
python怎么另起一行阅读答案_使用Python+Dlib构建人脸识别系统（在Nvidia Jetson Nano 2GB开发板上）...
Nvidia Jetson Nano 2GB开发板是一款新的单板机售价59美元运行带有GPU加速的人工智能软件.在2020年你可以从一台售价59美元的单板计算机中获得令人惊叹的性能让我们用它来 ...
使用Python+Dlib构建人脸识别系统（在Nvidia Jetson Nano 2GB开发板上）
Nvidia Jetson Nano 2GB开发板是一款新的单板机,售价59美元,运行带有GPU加速的人工智能软件. 在2020年,你可以从一台售价59美元的单板计算机中获得令人惊叹的性能,让我们用它 ...
MDFR：基于人脸图像复原和人脸转正联合模型的人脸识别方法
AI 科技评论报道编辑 | 陈大鑫在现实生活中,许多因素可能会影响人脸识别系统的识别性能,例如大姿势,不良光照,低分辨率,模糊和噪声等.为了应对这些挑战,之前的人脸识别方法通常先把低质量的人脸图像 ...
人脸识别方法个人见解
dodo:人脸识别方法个人见解(之一) TPAMI = IEEE Transactions on PAMI 这个杂志 PAMI 是指 pattern analysis and machine int ...
都说dlib是人脸识别的神器，那到底能不能识破妖怪的伪装？
作者:盛光晓原文链接:https://blog.csdn.net/esa72ya/article/details/89189987 众所周知,dlib是人脸识别的利器,被广泛应用于行为检测.安防工程 ...
MDFR ：基于人脸图像复原和人脸转正联合模型的人脸识别方法
点上方计算机视觉联盟获取更多干货仅作学术分享,不代表本公众号立场,侵权联系删除转载于:AI 科技评论报道编辑 | 陈大鑫 AI博士笔记系列推荐周志华<机器学习>手推笔记正式开源!可 ...
python调用摄像头人脸识别代码_OpenCV3-Python人脸识别方法—人脸识别与标记
上接<OpenCV3-Python人脸识别方法-基于摄像头>,实际应用中,有时我们不仅需要检测人脸信息,可能还需对识别到的人脸进行判断(是否是某个特定的人)?接下来,本篇介绍基于openc ...
（论文阅读）基于融合深度卷积神经网络的人脸识别方法研究-褚玉晓
一.基于融合深度卷积神经网络人脸识别方法设计 1.PCA算法提取人脸特征主要成分分析法(Principal Component Analysis,PCA) 第一步,计算人脸图像的平均值并执行归一化的 ...

dlib实现人脸识别方法

文章目录

概述

方法实现

实现步骤

示例代码

重载方法

dlib实现人脸识别方法相关推荐

最新文章

热门文章