毕业设计：基于CNN做人脸识别

基于CNN做人脸识别

首先，我是考虑，这系统在Windows下做还是在Linux、Ubuntu下做比较好？
然后，我都检测过，Windows下可以用python、anaconda写代码都可以。当然，和在Linux和Ubuntu下使用的库和包肯定也是一样的。目的就在于那种形式，比较简单，这是我的想法。何必给自己添加难度呢？
后来，我是选择在Ubuntu下做人脸识别。至于为什么，简单是一回事，后面还有原因，我会一一讲解的。

我写了一份草图，我这几周分别做哪些事。

搭建环境

将Ubuntu系统安装好，然后配置环境
安装啊python、pip
这里小编给个建议，安装好ubuntu第一步就是把数据源给改了，那样之后下载库或者包的时候会比官方快好多。个人推荐清华的源https://pypi.tuna.tsinghua.edu.cn/simple

重新导入完后
执行下更新

sudo apt-get update
sudo apt-get upgrade

需要的包的大概有：numpy、opencv-python、keras、scikit-learn、tensorflow、dlib、pandas（有条件可以考虑基于GPU的）以及神经网络所需的各种包及库等等

sudo pip install opencv-python
sudo pip install keras
sudo pip install scikit-learn
sudo pip install tensorflow
sudo pip install dlib
sudo pip install pandas

主要分为五个模块：

1.人脸收集
2.头像提取
3.尺寸变换
4.训练
5.识别

话不多说上代码：
测试摄像头
文件名为：how_to_use_camera.py
这里说明下，小编都是用python来编译的

# OpenCv 调用摄像头
# 默认调用笔记本摄像头# Author:   coneypo
# Blog:     http://www.cnblogs.com/AdaminXie
# GitHub:   https://github.com/coneypo/Dlib_face_recognition_from_camera
# Mail:     coneypo@foxmail.comimport cv2cap = cv2.VideoCapture(0)# cap.set(propId, value)
# 设置视频参数: propId - 设置的视频参数, value - 设置的参数值
cap.set(3, 480)# cap.isOpened() 返回 true/false, 检查摄像头初始化是否成功
print(cap.isOpened())# cap.read()
"""
返回两个值先返回一个布尔值, 如果视频读取正确, 则为 True, 如果错误, 则为 False; 也可用来判断是否到视频末尾;再返回一个值, 为每一帧的图像, 该值是一个三维矩阵;通用接收方法为: ret,frame = cap.read();ret: 布尔值;frame: 图像的三维矩阵;这样 ret 存储布尔值, frame 存储图像;若使用一个变量来接收两个值, 如:frame = cap.read()则 frame 为一个元组, 原来使用 frame 处需更改为 frame[1]
"""while cap.isOpened():ret_flag, img_camera = cap.read()cv2.imshow("camera", img_camera)# 每帧数据延时 1ms, 延时为0, 读取的是静态帧k = cv2.waitKey(1)# 按下 's' 保存截图if k == ord('s'):cv2.imwrite("test.jpg", img_camera)# 按下 'q' 退出if k == ord('q'):break# 释放所有摄像头
cap.release()# 删除建立的所有窗口
cv2.destroyAllWindows()

python3  how_to_use_camera.py

提取头像
下面的视频自己可以随便找一部，人脸多的。代码的目的就是截取人，为之后收集人脸做铺垫。以下代码中有存在路径，自己注意修改自己文件夹目录在哪。

文件名：capture.py

import cv2
print(cv2.__version__)# /home/zjipc/Documentsvc = cv2.VideoCapture('D:\picture\mda-ihuh3xjpbi20te2c.MP4' )  # 读入视频文件
c = 1
caps = 0if vc.isOpened():  # 判断是否正常打开rval, frame = vc.read()caps = vc.get(7)  # 获取视频总帧数else:rval = FalsetimeF = int(caps / 30)timeF = 100  # 视频帧计数间隔频率i = 1
while rval:  # 循环读取视频帧rval, frame = vc.read()# print("c="+str(c))if (c % timeF == 0):  # 每隔timeF帧进行存储操作path = 'D:\picture\pi'  + str(i).zfill(6) + '.jpg'print("正在保存：" + path)cv2.imwrite(path, frame)  # 存储为图像i = i + 1c = c + 1cv2.waitKey(1)
vc.release()

python3 capture.py

人脸收集
可以通俗的理解为注册人脸
文件名：get_faces_from_camera.py

import dlib         # 人脸处理的库 Dlib
import numpy as np  # 数据处理的库 Numpy
import cv2          # 图像处理的库 OpenCvimport os           # 读写文件
import shutil       # 读写文件# Dlib 正向人脸检测器
detector = dlib.get_frontal_face_detector()# Dlib 68 点特征预测器
predictor = dlib.shape_predictor('data/data_dlib/shape_predictor_68_face_landmarks.dat')# OpenCv 调用摄像头
cap = cv2.VideoCapture(0)# 设置视频参数
cap.set(3, 480)# 人脸截图的计数器
cnt_ss = 0# 存储人脸的文件夹
current_face_dir = 0# 保存 photos/csv 的路径
path_photos_from_camera = "data/data_faces_from_camera/"
path_csv_from_photos = "data/data_csvs_from_camera/"# 新建保存人脸图像文件和数据CSV文件夹
def pre_work_mkdir():# 新建文件夹if os.path.isdir(path_photos_from_camera):passelse:os.mkdir(path_photos_from_camera)if os.path.isdir(path_csv_from_photos):passelse:os.mkdir(path_csv_from_photos)pre_work_mkdir()##### optional/可选, 默认关闭 #####
# 删除之前存的人脸数据文件夹
def pre_work_deldir():# 删除之前存的人脸数据文件夹# 删除 "/data_faces_from_camera/person_x/"...folders_rd = os.listdir(path_photos_from_camera)for i in range(len(folders_rd)):shutil.rmtree(path_photos_from_camera+folders_rd[i])csv_rd = os.listdir(path_csv_from_photos)for i in range(len(csv_rd)):os.remove(path_csv_from_photos+csv_rd[i])# 如果有之前录入的人脸
# 在之前 person_x 的序号按照 person_x+1 开始录入
if os.listdir("data/data_faces_from_camera/"):# 获取已录入的最后一个人脸序号person_list = os.listdir("data/data_faces_from_camera/")person_list.sort()person_num_latest = int(str(person_list[-1]).split("_")[-1])person_cnt = person_num_latest# 如果第一次存储或者没有之前录入的人脸, 按照 person_1 开始录入
else:person_cnt = 0# 之后用来控制是否保存图像的 flag
save_flag = 1while cap.isOpened():# 480 height * 640 widthflag, img_rd = cap.read()kk = cv2.waitKey(1)img_gray = cv2.cvtColor(img_rd, cv2.COLOR_RGB2GRAY)# 人脸数 facesfaces = detector(img_gray, 0)# 待会要写的字体font = cv2.FONT_HERSHEY_COMPLEX# 按下 'n' 新建存储人脸的文件夹if kk == ord('n'):person_cnt += 1current_face_dir = path_photos_from_camera + "person_" + str(person_cnt)os.makedirs(current_face_dir)print('\n')print("新建的人脸文件夹: ", current_face_dir)# 将人脸计数器清零cnt_ss = 0# 检测到人脸if len(faces) != 0:# 矩形框for k, d in enumerate(faces):# 计算矩形大小# (x,y), (宽度width, 高度height)pos_start = tuple([d.left(), d.top()])pos_end = tuple([d.right(), d.bottom()])# 计算矩形框大小height = (d.bottom() - d.top())width = (d.right() - d.left())hh = int(height/2)ww = int(width/2)# 设置颜色 / The color of rectangle of faces detectedcolor_rectangle = (255, 255, 255)# if (d.right()+ww) > 640 or (d.bottom()+hh > 480) or (d.left()-ww < 0) or (d.top()-hh < 0):#     cv2.putText(img_rd, "OUT OF RANGE", (20, 300), font, 0.8, (0, 0, 255), 1, cv2.LINE_AA)#     color_rectangle = (0, 0, 255)#     save_flag = 0# else:#     color_rectangle = (255, 255, 255)#     save_flag = 1cv2.rectangle(img_rd,tuple([d.left() - ww, d.top() - hh]),tuple([d.right() + ww, d.bottom() + hh]),color_rectangle, 2)# 根据人脸大小生成空的图像im_blank = np.zeros((int(height*2), width*2, 3), np.uint8)if save_flag:# 按下 's' 保存摄像头中的人脸到本地if kk == ord('s'):if os.path.isdir(current_face_dir):cnt_ss += 1# for ii in range(height*2):#     for jj in range(width*2):#             im_blank[ii][jj] = img_rd[d.top()-hh + ii][d.left()-ww + jj]# print(im_blank[ii][jj])cv2.imwrite(current_face_dir + "/img_face_" + str(cnt_ss) + ".jpg", img_rd)print("写入本地：", str(current_face_dir) + "/img_face_" + str(cnt_ss) + ".jpg")else:print("请在按 'S' 之前先按 'N' 来建文件夹 / Please press 'N' before 'S'")# 显示人脸数cv2.putText(img_rd, "Faces: " + str(len(faces)), (20, 100), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA)# 添加说明cv2.putText(img_rd, "Face Register", (20, 40), font, 1, (0, 0, 0), 1, cv2.LINE_AA)cv2.putText(img_rd, "N: New face folder", (20, 350), font, 0.8, (0, 0, 0), 1, cv2.LINE_AA)cv2.putText(img_rd, "S: Save current face", (20, 400), font, 0.8, (0, 0, 0), 1, cv2.LINE_AA)cv2.putText(img_rd, "Q: Quit", (20, 450), font, 0.8, (0, 0, 0), 1, cv2.LINE_AA)# 按下 'q' 键退出if kk == ord('q'):break# 窗口显示# cv2.namedWindow("camera", 0) # 如果需要摄像头窗口大小可调cv2.imshow("camera", img_rd)# 释放摄像头
cap.release()# 删除建立的窗口
cv2.destroyAllWindows()

python3 get_faces_from_camera.py

接着上面的代码写入后，在data文件里，会自动生成照片管理文件，这也是在ubuntu下做的好处，我们可以借助库建立数据存储，不需要在安装数据库。

人脸识别的核心
文件名：face_reco_from_camera.py

#coding=utf-8
# 摄像头实时人脸识别
import dlib          # 人脸处理的库 Dlib
import numpy as np   # 数据处理的库 numpy
import cv2           # 图像处理的库 OpenCv
import pandas as pd  # 数据处理的库 Pandas# 人脸识别模型，提取128D的特征矢量
# face recognition model, the object maps human faces into 128D vectors
facerec = dlib.face_recognition_model_v1("data/data_dlib/dlib_face_recognition_resnet_model_v1.dat")# 计算两个128D向量间的欧式距离
def return_euclidean_distance(feature_1, feature_2):feature_1 = np.array(feature_1)feature_2 = np.array(feature_2)np.linalg.norm(feature_1 - feature_2)dist = np.sqrt(np.sum(np.square(feature_1 - feature_2)))print("e_distance: ", dist)if dist > 0.4:return "diff"else:return "same"# 处理存放所有人脸特征的 csv
path_features_known_csv = "data/features_all.csv"
csv_rd = pd.read_csv(path_features_known_csv, header=None)# 存储的特征人脸个数
# print(csv_rd.shape[0])# 用来存放所有录入人脸特征的数组
features_known_arr = []# 读取已知人脸数据
# known faces
for i in range(csv_rd.shape[0]):features_someone_arr = []print(csv_rd.ix[i, :])for j in range(0, len(csv_rd.ix[i, :])):features_someone_arr.append(csv_rd.ix[i, :][j])features_known_arr.append(features_someone_arr)
print("Faces in Database：", len(features_known_arr))# Dlib 检测器和预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('data/data_dlib/shape_predictor_68_face_landmarks.dat')# 创建 cv2 摄像头对象
cap = cv2.VideoCapture(0)# cap.set(propId, value)
# 设置视频参数，propId 设置的视频参数，value 设置的参数值
cap.set(3, 480)# 返回一张图像多张人脸的 128D 特征
def get_128d_features(img_gray):faces = detector(img_gray, 1)if len(faces) != 0:face_des = []for i in range(len(faces)):shape = predictor(img_gray, faces[i])face_des.append(facerec.compute_face_descriptor(img_gray, shape))else:face_des = []return face_des# cap.isOpened() 返回 true/false 检查初始化是否成功
while cap.isOpened():flag, img_rd = cap.read()kk = cv2.waitKey(1)# 取灰度img_gray = cv2.cvtColor(img_rd, cv2.COLOR_RGB2GRAY)# 人脸数 facesfaces = detector(img_gray, 0)# 待会要写的字体font = cv2.FONT_HERSHEY_COMPLEX# 存储当前摄像头中捕获到的所有人脸的坐标/名字pos_namelist = []name_namelist = []# 按下 q 键退出if kk == ord('q'):breakelse:# 检测到人脸if len(faces) != 0:# 获取当前捕获到的图像的所有人脸的特征，存储到 features_cap_arrfeatures_cap_arr = []for i in range(len(faces)):shape = predictor(img_rd, faces[i])features_cap_arr.append(facerec.compute_face_descriptor(img_rd, shape))# 遍历捕获到的图像中所有的人脸for k in range(len(faces)):# 让人名跟随在矩形框的下方# 确定人名的位置坐标# 先默认所有人不认识，是 unknownname_namelist.append("unknown")# 每个捕获人脸的名字坐标pos_namelist.append(tuple([faces[k].left(), int(faces[k].bottom() + (faces[k].bottom() - faces[k].top())/4)]))# 对于某张人脸，遍历所有存储的人脸特征for i in range(len(features_known_arr)):print("with person_", str(i+1), "the")# 将某张人脸与存储的所有人脸数据进行比对compare = return_euclidean_distance(features_cap_arr[k], features_known_arr[i])if compare == "same":  # 找到了相似脸# 在这里修改 person_1, person_2 ... 的名字# 这里只写了前三个# 可以在这里改称 Jack, Tom and others# Here you can modify the names shown on the cameraif i == 0:name_namelist[k] = "zhangsan"elif i == 1:name_namelist[k] = "jiaqing"elif i == 2:name_namelist[k] = "Unkonw"# 矩形框for kk, d in enumerate(faces):# 绘制矩形框cv2.rectangle(img_rd, tuple([d.left(), d.top()]), tuple([d.right(), d.bottom()]), (0, 255, 255), 2)# 在人脸框下面写人脸名字for i in range(len(faces)):cv2.putText(img_rd, name_namelist[i], pos_namelist[i], font, 0.8, (0, 255, 255), 1, cv2.LINE_AA)print("Name list now:", name_namelist, "\n")# 窗口显示cv2.imshow("camera", img_rd)# 释放摄像头
cap.release()# 删除建立的窗口
cv2.destroyAllWindows()

python3 face_reco_from_camera.py

这两张照片都是我自己，为什么第二张识别不了呢？这就是深度学习中的问题了。机器它识别也有限的。所以我们要训练模型，使它的准确度更高。当然，手机美颜照片也是不行的

训练
文件名：get_features_into_CSV.py

# 从人脸图像文件中提取人脸特征存入 CSV
# Get features from images and save into features_all.csv
# 增加录入多张人脸到 CSV 的功能# return_128d_features()          获取某张图像的 128D 特征
# write_into_csv()                获取某个路径下所有图像的特征，并写入 CSV
# compute_the_mean()              从 CSV 中读取 128D 特征，并计算特征均值import cv2
import os
import dlib
from skimage import io
import csv
import numpy as np
import pandas as pd
#import io# 要读取人脸图像文件的路径
path_photos_from_camera = "data/data_faces_from_camera/"
# 储存人脸特征 csv 的路径
path_csv_from_photos = "data/data_csvs_from_camera/"# Dlib 正向人脸检测器
detector = dlib.get_frontal_face_detector()# Dlib 人脸预测器
predictor = dlib.shape_predictor("data/data_dlib/shape_predictor_5_face_landmarks.dat")# Dlib 人脸识别模型
# Face recognition model, the object maps human faces into 128D vectors
facerec = dlib.face_recognition_model_v1("data/data_dlib/dlib_face_recognition_resnet_model_v1.dat")# 返回单张图像的 128D 特征
def return_128d_features(path_img):img = io.imread(path_img)img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)faces = detector(img_gray, 1)print("检测到人脸的图像：", path_img, "\n")# 因为有可能截下来的人脸再去检测，检测不出来人脸了# 所以要确保是 检测到人脸的人脸图像 拿去算特征if len(faces) != 0:shape = predictor(img_gray, faces[0])face_descriptor = facerec.compute_face_descriptor(img_gray, shape)else:face_descriptor = 0print("no face")# print(face_descriptor)return face_descriptor# 将文件夹中照片特征提取出来, 写入 CSV
#   path_faces_personX:     图像文件夹的路径
#   path_csv_from_photos:   要生成的 CSV 路径def write_into_csv(path_faces_personX, path_csv_from_photos):photos_list = os.listdir(path_faces_personX)with open(path_csv_from_photos, "w", newline="") as csvfile:writer = csv.writer(csvfile)if photos_list:for i in range(len(photos_list)):# 调用return_128d_features()得到128d特征print("正在读的人脸图像：", path_faces_personX + "/" + photos_list[i])features_128d = return_128d_features(path_faces_personX + "/" + photos_list[i])print(features_128d)# 遇到没有检测出人脸的图片跳过if features_128d == 0:i += 1else:writer.writerow(features_128d)else:print("Warning: Empty photos in "+path_faces_personX+'/')writer.writerow("")# 读取某人所有的人脸图像的数据，写入 person_X.csv
faces = os.listdir(path_photos_from_camera)
faces.sort()
for person in faces:print("##### " + person + " #####")print(path_csv_from_photos + person + ".csv")write_into_csv(path_photos_from_camera + person, path_csv_from_photos + person + ".csv")
print('\n')# 从 CSV 中读取数据，计算 128D 特征的均值
def compute_the_mean(path_csv_from_photos):column_names = []# 128D 特征for feature_num in range(128):column_names.append("features_" + str(feature_num + 1))# 利用 pandas 读取 csvrd = pd.read_csv(path_csv_from_photos, names=column_names)if rd.size != 0:# 存放 128D 特征的均值feature_mean_list = []for feature_num in range(128):tmp_arr = rd["features_" + str(feature_num + 1)]tmp_arr = np.array(tmp_arr)# 计算某一个特征的均值tmp_mean = np.mean(tmp_arr)feature_mean_list.append(tmp_mean)else:feature_mean_list = []return feature_mean_list# 存放所有特征均值的 CSV 的路径
path_csv_from_photos_feature_all = "data/features_all.csv"# 存放人脸特征的 CSV 的路径
path_csv_from_photos = "data/data_csvs_from_camera/"with open(path_csv_from_photos_feature_all, "w", newline="") as csvfile:writer = csv.writer(csvfile)csv_rd = os.listdir(path_csv_from_photos)csv_rd.sort()print("##### 得到的特征均值 / The generated average values of features stored in: #####")for i in range(len(csv_rd)):feature_mean_list = compute_the_mean(path_csv_from_photos + csv_rd[i])print(path_csv_from_photos + csv_rd[i])writer.writerow(feature_mean_list)

python3 get_features_into_CSV.py

这就基本完了，祝你们毕业快乐！

毕业设计：基于CNN做人脸识别相关推荐

基于cnn的人脸识别_鬼都藏不住，人脸识别新突破！就算遮住半张脸也能100%被识别...
转自:新智元如涉版权请加编辑微信iwish89联系哲学园鸣谢新智元报道来源:sciencedirect 编辑:金磊,元子 [新智元导读]众所周知,人脸识别在摄像头无法捕捉到完整面部图像的情况下 ...
Python 毕业设计 - 基于 opencv 的人脸识别上课考勤系统，附源码
一.简介这个人脸识别考勤签到系统是基于大佬的人脸识别陌生人报警系统二次开发的. 项目使用Python实现,基于OpenCV框架进行人脸识别和摄像头硬件调用,同时也用OpenCV工具包处理图片.交互界 ...
基于cnn的人脸识别_基于卷积神经网络(CNN）的人脸在线识别系统
微信搜索"AI大道理",选择"置顶"公众号重磅干货,深入讲解AI大道理 ------ 本设计研究人脸识别技术,基于卷积神经网络构建了一套人脸在线检测识别系统, ...
python人脸识别毕业设计-基于Python的人脸识别系统研究.docx
摘要:在20世纪末,计算机的发展催生了人们对人工智能的研究,为了实现这一技术,那么,对人脸识别技术的研究就显得非常重要而且也是必不可少的.因为计算机的发展,所以近十年来对人脸识别的研究飞速发展,如今已 ...
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 ...
基于CNN的人脸表情识别系统
基于CNN的人脸表情识别系统主要功能: 1)图片识别,可以通过上传本地图片,进行表情识别 2)拍照识别,点击拍照识别按钮,可以调用摄像头实现拍照,并进行表情识别实现原理: 1.表情库的建立 fe ...
DeepMindVGG提出基于集合的人脸识别算法GhostVLAD,精度远超IJB-B数据集state-of-the-art...
点击我爱计算机视觉标星,更快获取CVML新技术在人脸识别应用中,很多场景能够获取某一个体的多幅人脸图像的集合(比如在监控视频中),使用人脸图像集来做识别,这个问题被称为基于模板的人脸识别(templ ...
基于OpenCV的人脸识别自助商店（源码＆部署视频）
1.模块功能介绍实现人脸识别模块.人脸登录与注册功能.商店显示和用户余额页显示功能用GUl图形界面实现(pyqt)语言python windows下软件pycharm 1.用户登录模块:刷脸登录 ...
基于Python的人脸识别课堂考勤系统（毕设）
一个菜鸟搞毕业设计的过程分享,可能对迷茫的你起到一点点作用! 序言在着手开发项目之前我们一定要对系统进行一个初步的规划,比如系统可以实现什么功能,是否需要开发GUI页面(大部分导师都会让你搞一个,仅 ...

毕业设计：基于CNN做人脸识别

基于CNN做人脸识别

毕业设计：基于CNN做人脸识别相关推荐

最新文章

热门文章