君子兰

Python 3 利用 Dlib 实现摄像头实时人脸识别

发布时间:11个月前热度: 42 ℃评论数:

Python 3 利用 Dlib 实现摄像头实时人脸识别

0. 引言

  利用 Python 开发,借助 Dlib 库捕获摄像头中的人脸,提取人脸特征,通过计算特征值之间的欧氏距离,来和预存的人脸特征进行对比,判断是否匹配,达到人脸识别的目的;

  可以从摄像头中抠取人脸图片存储到本地,然后提取构建预设人脸特征;

  根据抠取的 / 已有的同一个人多张人脸图片提取 128D 特征值,然后计算该人的 128D 特征均值;

  然后和摄像头中实时获取到的人脸提取出的特征值,计算欧氏距离,判定是否为同一张人脸;  

  Python + OpenCv + Dlib ;   

 

  GitHub  和 Blog 一直在维护和更新;

    # Blog :    http://www.cnblogs.com/AdaminXie
    # GitHub :   https://github.com/coneypo/Dlib_face_recognition_from_camera

  Features :

  • 支持人脸数据采集,自行建立人脸数据库 / Support face register
  • 调用摄像头实时人脸检测和识别 / Using camera to real-time detect and recognize faces
  • 支持多张人脸 / Support multi-faces

 

  人脸识别 / Face Recognition 的说明:

  Wikipedia 上关于人脸识别系统 / Face Recognition System 的描述:they work by comparing selected facial features from given image with faces within a database.

  本项目中就是比较 预设的人脸的特征 和 摄像头实时获取到的人脸的特征 

  核心就是 提取 128D 人脸特征,然后计算 摄像头人脸特征 和 预设的特征脸的欧式距离,进行比对;

 

  效果如下:  

 

 

图 1 摄像头多个人脸时识别效果 

 

1. 总体流程

  先说下 人脸检测 ( Face detection ) 和 人脸识别 ( Face Recognition ) ,前者是达到检测出场景中人脸的目的就可以了,而后者不仅需要检测出人脸,还要和已有人脸数据进行比对,识别出是否在数据库中,或者进行身份标注之类处理,人脸检测和人脸识别两者有时候可能会被理解混淆;

  我的之前一些项目都是用 Dlib 做人脸检测这块,这个项目想要实现的功能是人脸识别功能,借助的是 Dlib 官网中 face_recognition.py 这个例程 ( Link:http://dlib.net/face_recognition.py.html );

  核心在于 利用“dlib_face_recognition_resnet_model_v1.dat” 这个 model,提取人脸图像的 128D 特征,然后比对不同人脸图片的 128D 特征,设定阈值 计算欧氏距离 来判断是否为同一张脸;

1 # face recognition model, the object maps human faces into 128D vectors2 facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")3 4 shape = predictor(img, dets[0])5 face_descriptor = facerec.compute_face_descriptor(img, shape)

 

   

 

图 2 总体设计流程

 

2.源码介绍

  主要有

    get_face_from_camera.py , 

    get_features_into_CSV.py ,

    face_reco_from_camera.py

  这三个 Python 文件,接下来会分别介绍实现功能;

 

2.1 get_face_from_camera.py / 人脸注册录入

  人脸识别需要将 提取到的图像数据 和 已有图像数据 进行比对分析,所以这部分代码实现的功能就是 人脸录入

  程序会生成一个窗口,显示调用的摄像头实时获取的图像;

  (关于摄像头的调用方式可以参考这里: Python 3 利用 Dlib 19.7 实现摄像头人脸检测特征点标定);

  

  然后根据键盘输入进行人脸捕获:

  • “N” 新录入人脸,新建文件夹 person_X/  用来存储某人的人脸图像
  •   "S" 开始捕获人脸,将捕获到的人脸放到 person_X/ 路径下
  • “Q” 退出窗口

  

  摄像头的调用是利用 opencv 库的 cv2.VideoCapture(0), 此处参数为 0 代表调用的是笔记本的默认摄像头,你也可以让它调用传入已有视频文件;

 

图 3  get_face_from_camera.py 的界面

   

  捕获到的一组人脸示例;

图 4 捕获到的一组人脸

 

  get_face_from_camera.py 源码

 

复制代码
  

# 进行人脸录入 / face register

# 录入多张人脸 / support multi-faces


# Author:   coneypo

# Blog:     http://www.cnblogs.com/AdaminXie

# GitHub:   https://github.com/coneypo/Dlib_face_recognition_from_camera

# Mail:     coneypo@foxmail.com


# Created at 2018-05-11

# Updated at 2018-10-29


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 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


# 保存的路径

path_make_dir = "data/data_faces_from_camera/"

path_csv = "data/data_csvs_from_camera/"



# (optional) 删除之前存的人脸数据文件夹

def pre_clear():

    folders_rd = os.listdir(path_make_dir)

    for i in range(len(folders_rd)):

        shutil.rmtree(path_make_dir+folders_rd[i])


    csv_rd = os.listdir(path_csv)

    for i in range(len(csv_rd)):

        os.remove(path_csv+csv_rd[i])



# 每次程序录入之前,删掉之前存的人脸数据

pre_clear()



# 人脸种类数目的计数器

person_cnt = 0


while cap.isOpened():

    # 480 height * 640 width

    flag, img_rd = cap.read()

    kk = cv2.waitKey(1)


    img_gray = cv2.cvtColor(img_rd, cv2.COLOR_RGB2GRAY)

    

    # 人脸数 faces

    faces = 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 += 1

        current_face_dir = path_make_dir + "person_" + str(person_cnt)

        print('\n')

        for dirs in (os.listdir(path_make_dir)):

            if current_face_dir == path_make_dir + dirs:

                shutil.rmtree(current_face_dir)

                print("删除旧的文件夹:", current_face_dir)

        os.makedirs(current_face_dir)

        print("新建的人脸文件夹: ", current_face_dir)


        # 将人脸计数器清零

        cnt_ss = 0


    if len(faces) != 0:

        # 检测到人脸


        # 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 detected

            color_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)

            else:

                color_rectangle = (255, 255, 255)


            cv2.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)


            # 按下 's' 保存摄像头中的人脸到本地

            if kk == ord('s'):

                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]

                cv2.imwrite(current_face_dir + "/img_face_" + str(cnt_ss) + ".jpg", im_blank)

                print("写入本地:", str(current_face_dir) + "/img_face_" + str(cnt_ss) + ".jpg")


        # 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 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()

复制代码

 

考虑到有可能需要保存的矩形框超出摄像头范围,对于这种异常,如果矩形框超出范围,矩形框会从白变红,然后提示 "OUT OF RANGE";

图 5 人脸录入异常处理

 

  get_face_from_camera.py 的输出 log

复制代码
删除旧的文件夹: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_1
新建的人脸文件夹:  F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_1
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_1/img_face_1.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_1/img_face_2.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_1/img_face_3.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_1/img_face_4.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_1/img_face_5.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_1/img_face_6.jpg


删除旧的文件夹: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_2
新建的人脸文件夹:  F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_2
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_2/img_face_1.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_2/img_face_2.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_2/img_face_3.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_2/img_face_4.jpg


删除旧的文件夹: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_3
新建的人脸文件夹:  F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_3
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_3/img_face_1.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_3/img_face_2.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_3/img_face_3.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_3/img_face_4.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_3/img_face_5.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_3/img_face_6.jpg
写入本地: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_3/img_face_7.jpg
复制代码

 

2.2 get_features_into_CSV.py / 将图像文件中人脸数据提取出来存入 CSV

  这部分代码实现的功能是将之前捕获到的人脸图像文件,提取出 128D 特征,然后计算出某人人脸数据的特征均值存入 CSV 中,方便之后识别时候进行比对;

  利用 numpy.mean() 计算特征均值;

  get_features_into_CSV.py 源码:

 

复制代码

# 从人脸图像文件中提取人脸特征存入 CSV


# Author:   coneypo

# Blog:     http://www.cnblogs.com/AdaminXie

# GitHub:   https://github.com/coneypo/Dlib_face_recognition_from_camera

# Mail:     coneypo@foxmail.com


# Created at 2018-05-11

# Updated at 2018-10-29


# 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


path_faces_rd = "data/data_faces_from_camera/"

path_csv = "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("检测的人脸图像:", 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 = 0

        print("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:               要生成的 CSV 路径


def write_into_csv(path_faces_personX, path_csv):

    dir_pics = os.listdir(path_faces_personX)

    with open(path_csv, "w", newline="") as csvfile:

        writer = csv.writer(csvfile)

        for i in range(len(dir_pics)):

            # 调用return_128d_features()得到128d特征

            print("正在读的人脸图像:", path_faces_personX + "/" + dir_pics[i])

            features_128d = return_128d_features(path_faces_personX + "/" + dir_pics[i])

            #  print(features_128d)

            # 遇到没有检测出人脸的图片跳过

            if features_128d == 0:

                i += 1

            else:

                writer.writerow(features_128d)



# 读取某人所有的人脸图像的数据,写入 person_X.csv

faces = os.listdir(path_faces_rd)

for person in faces:

    print(path_csv + person + ".csv")

    write_into_csv(path_faces_rd + person, path_csv + person + ".csv")



# 从 CSV 中读取数据,计算 128D 特征的均值

def compute_the_mean(path_csv_rd):

    column_names = []


    # 128列特征

    for feature_num in range(128):

        column_names.append("features_" + str(feature_num + 1))


    # 利用pandas读取csv

    rd = pd.read_csv(path_csv_rd, names=column_names)


    # 存放128维特征的均值

    feature_mean = []


    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.append(tmp_mean)

    return feature_mean



# 存放所有特征均值的 CSV 的路径

path_csv_feature_all = "data/features_all.csv"


# 存放人脸特征的 CSV 的路径

path_csv_rd = "data/data_csvs_from_camera/"


with open(path_csv_feature_all, "w", newline="") as csvfile:

    writer = csv.writer(csvfile)

    csv_rd = os.listdir(path_csv_rd)

    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 = compute_the_mean(path_csv_rd + csv_rd[i])

        # print(feature_mean)

        print(path_csv_rd + csv_rd[i])

        writer.writerow(feature_mean)

复制代码

 

 

  我们可以看下对于某张图片,face_descriptor 这个 128D vectors 的输出结果:

  绿色框内是我们的返回 128D 特征的函数;

  在红色框内调用该函数来计算 img_face_13.jpg;

  可以看到黄色框中的输出为 128D 的向量

图 6 返回单张图像的 128D 特征的计算结果

 

  之后就需要人脸图像进行批量化操作,提取出 128D 的特征,然后计算特征均值,存入 features_all.csv;

  features_all.csv 是一个 n 行 128 列的 CSV, n 是录入的人脸数,128 列是某人的 128D 特征;

  这存储的就是 录入的人脸数据,之后 摄像头捕获的人脸 将要拿过来和 这些特征值 进行比对,如果欧式距离比较近的话,就可以认为是同一张人脸

 

   get_features_into_CSV.py 的输出 log:

复制代码
F:/code/python/P_dlib_face_reco/data/csvs_from_camera/person_1.csv
正在读的人脸图像: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_1/img_face_1.jpg
检测的人脸图像: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_1/img_face_1.jpg 

...
正在读的人脸图像: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_5/img_face_3.jpg 检测的人脸图像: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_5/img_face_3.jpg 正在读的人脸图像: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_5/img_face_4.jpg 检测的人脸图像: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_5/img_face_4.jpg 正在读的人脸图像: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_5/img_face_5.jpg 检测的人脸图像: F:/code/python/P_dlib_face_reco/data/faces_from_camera/person_5/img_face_5.jpg 特征均值: F:/code/python/P_dlib_face_reco/data/csvs_from_camera/person_1.csv F:/code/python/P_dlib_face_reco/data/csvs_from_camera/person_2.csv F:/code/python/P_dlib_face_reco/data/csvs_from_camera/person_3.csv F:/code/python/P_dlib_face_reco/data/csvs_from_camera/person_4.csv F:/code/python/P_dlib_face_reco/data/csvs_from_camera/person_5.csv
复制代码

 

2.3 face_reco_from_camera.py / 实时人脸识别对比分析

  这部分源码实现的功能:调用摄像头,捕获摄像头中的人脸,然后如果检测到人脸,将 摄像头中的人脸提取出 128D 的特征,然后和 之前录入人脸的 128D 特征 进行计算欧式距离,如果比较小,可以判定为一个人,否则不是一个人;

  欧氏距离对比的阈值设定,是在 return_euclidean_distance 函数的 dist  变量;

  我这里程序里面指定的 欧氏距离判断阈值是 0.4,具体阈值可以根据实际情况或者测得结果进行修改;

  

  这边做了一个,让人名跟随显示在头像下方,如果想要在人脸矩形框下方显示人名,首先需要知道 Dlib 生成的矩形框的尺寸怎么读取;

  Dlib 返回的 dets 变量是一系列人脸的数据,此处对单张人脸处理,所以取 dets[0] 的参数;

  可以通过 dets[0].top()dets[0].bottom()dets[0].left() 和 dets[0].right() 来确定要显示的人名的坐标;

图 7 dets[0].top() 等参数说明 

  

  得到矩形框的坐标,就可以获取人名的相对位置;

  这是我这边取的坐标:

 pos_text_1 = tuple([dets[0].left(), int(dets[0].bottom()+(dets[0].bottom()-dets[0].top())/4)])

 

   

图 8 face_reco_from_camera.py 生成的人脸识别窗口界面

 

 face_reco_from_camera.py 源码:

复制代码
  

# created at 2018-05-11

# updated at 2018-09-08

# support multi-faces now


# Author:   coneypo

# Blog:     http://www.cnblogs.com/AdaminXie

# GitHub:   https://github.com/coneypo/Dlib_face_recogqnition_from_camera


import dlib         # 人脸识别的库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


# face recognition model, the object maps human faces into 128D vectors

facerec = dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")



# 计算两个向量间的欧式距离

def return_euclidean_distance(feature_1, feature_2):

    feature_1 = np.array(feature_1)

    feature_2 = np.array(feature_2)

    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 = []


# known faces

for i in range(csv_rd.shape[0]):

    features_someone_arr = []

    for j in range(0, len(csv_rd.ix[i, :])):

        features_someone_arr.append(csv_rd.ix[i, :][j])

    #    print(features_someone_arr)

    features_known_arr.append(features_someone_arr)

print("Faces in Database:", len(features_known_arr))


# Dlib 预测器

detector = dlib.get_frontal_face_detector()

predictor = dlib.shape_predictor('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):

    dets = detector(img_gray, 1)

    if len(dets) != 0:

        face_des = []

        for i in range(len(dets)):

            shape = predictor(img_gray, dets[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 dets

    faces = detector(img_gray, 0)


    # 待会要写的字体

    font = cv2.FONT_HERSHEY_COMPLEX


    cv2.putText(img_rd, "Press 'q': Quit", (20, 400), font, 0.8, (84, 255, 159), 1, cv2.LINE_AA)


    # 存储人脸名字和位置的两个 list

    # list 1 (faces): store the name of faces               Jack    unknown unknown Mary

    # list 2 (pos_namelist): store the positions of faces   12,1    1,21    1,13    31,1


    # 存储所有人脸的名字

    pos_namelist = []

    name_namelist = []


    # 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_arr

        features_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 unknown

            name_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 ", end='')

                # 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

                    name_namelist[k] = "person_" + str(i+1)


            # 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)


        # 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")


    cv2.putText(img_rd, "Face Register", (20, 40), font, 1, (255, 255, 255), 1, cv2.LINE_AA)

    cv2.putText(img_rd, "Faces: " + str(len(faces)), (20, 100), font, 1, (0, 0, 255), 1, cv2.LINE_AA)


    # 按下 q 键退出

    if kk == ord('q'):

        break


    # 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()


复制代码

 

 face_reco_from_camera.py 输出 log:

复制代码
Faces in Database: 5Name list now: [] 

Name list now: [] 

Name list now: [] 

Name list now: [] 

Name list now: [] 

with person_ 1 the e_distance:  0.40770022710364756with person_ 2 the e_distance:  0.41082186674421134with person_ 3 the e_distance:  0.3961545573801463with person_ 4 the e_distance:  0.3881850644563972with person_ 5 the e_distance:  0.3495735780870818Name list now: ['person_4'] 

with person_ 1 the e_distance:  0.4314467101915446with person_ 2 the e_distance:  0.4299990464683071with person_ 3 the e_distance:  0.4182695008637471with person_ 4 the e_distance:  0.4173694262729763with person_ 5 the e_distance:  0.38357217732017734Name list now: ['person_4'] 

with person_ 1 the e_distance:  0.4262991040992263with person_ 2 the e_distance:  0.43254966504500664with person_ 3 the e_distance:  0.41576433114841965with person_ 4 the e_distance:  0.4122140311433292with person_ 5 the e_distance:  0.38073570942005236Name list now: ['person_4'] 

with person_ 1 the e_distance:  0.42088261541728456with person_ 2 the e_distance:  0.42064499551908163with person_ 3 the e_distance:  0.404443147870785with person_ 4 the e_distance:  0.4043774203639022with person_ 5 the e_distance:  0.37271089160417986Name list now: ['person_4'] 
复制代码

 

  实时输出结果:

图 9 实时输出的欧氏距离结果

 

  通过实时的输出结果,看的比较明显;

  输出绿色部分:当是我自己时,计算出来的欧式距离基本都在 0.2 左右

  输出红色部分:而换一张图片上去比如特朗普,明显看到欧式距离计算结果 达到了 0.8,此时就可以判定,后来这张人脸不是一张人脸;

  所以之前提到的欧式距离计算对比的阈值可以由此设定,本项目中取的是 dist=0.4;

   dist 的确切取值自己权衡,http://dlib.net/face_recognition.py.html 的说明:

 

#   When using a distance threshold of 0.6, the dlib model obtains an accuracy#   of 99.38% on the standard LFW face recognition benchmark, which is#   comparable to other state-of-the-art methods for face recognition as of#   February 2017. This accuracy means that, when presented with a pair of face#   images, the tool will correctly identify if the pair belongs to the same#   person or is from different people 99.38% of the time.

3. 总结

  核心就是 提取人脸特征,然后计算欧式距离和预设的特征脸进行比对;

  不过这个实时获取摄像头人脸进行比对,要实时的进行计算摄像头脸的特征值,然后还要计算欧氏距离,所以计算量比较大,可能摄像头视频流会出现卡顿;

  此项目仅个人学习爱好研究,开源供大家一起学习;


Python,人脸识别

手机扫码访问