face_recognition 人脸识别和检测

1、安装

可以直接 pip install face_recognition
出现安装错误：pip报错 CMake must be installed to build the following extensions: dlib
先按照cmake再重新安装face_recognition即可： pip install cmake

2、检测图片人脸

import numpy as np
import cv2
import face_recognition
image = face_recognition.load_image_file("test3.jpeg")
#return (A,B,C,D)(top, right, bottom, left) (D,A,B,C)
face_locations = face_recognition.face_locations(image)
print(face_locations)
image1=image*1
image1[:,:,0]=image[:,:,2]
image1[:,:,2]=image[:,:,0]
for (A,B,C,D) in face_locations:
    cv2.rectangle(image1,(D,A),(B,C),(0,255,0),2)
cv2.imshow('image',image1)
cv2.waitKey(0)
cv2.destroyAllWindows()

2、也支持直接摄像头检测人脸

import cv2

import face_recognition

cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()

    # return (A,B,C,D)(top, right, bottom, left) (D,A,B,C)
    face_locations = face_recognition.face_locations(frame)

    for (A, B, C, D) in face_locations:
        cv2.rectangle(frame, (D, A), (B, C), (0, 255, 0), 2)
    cv2.imshow('image', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

3、面部点识别

# 自动识别人脸特征
from PIL import Image, ImageDraw
import face_recognition

# 将jpg文件加载到numpy 数组中
image = face_recognition.load_image_file("test3.jpeg")

#查找图像中所有面部的所有面部特征
face_landmarks_list = face_recognition.face_landmarks(image)
#打印发现的脸张数
print("I found {} face(s) in this photograph.".format(len(face_landmarks_list)))

# 让我们在图像中描绘出每个人脸特征！
pil_image = Image.fromarray(image)
d = ImageDraw.Draw(pil_image)

for face_landmarks in face_landmarks_list:

   #打印此图像中每个面部特征的位置
    facial_features = [
        'chin',
        'left_eyebrow',
        'right_eyebrow',
        'nose_bridge',
        'nose_tip',
        'left_eye',
        'right_eye',
        'top_lip',
        'bottom_lip'
    ]

    for facial_feature in facial_features:
        print("The {} in this face has the following points: {}".format(facial_feature, face_landmarks[facial_feature]))



    for facial_feature in facial_features:
        d.line(face_landmarks[facial_feature], width=5)

pil_image.show()

4、人脸识别

注意是运用把图片向量化进行比对相似性，参考：https://blog.csdn.net/qq_41251963/article/details/85473561#commentBox

1、人脸匹配函数——compare_faces
       compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)

       比较脸部编码列表和候选编码，看看它们是否匹配，设置一个阈值，若两张人脸特征向量的距离，在阈值范围之内，则认为其 是同一个人

       参数：

       known_face_encodings：已知的人脸编码列表

       face_encoding_to_check：待进行对比的单张人脸编码数据

       tolerance=0.6：两张脸之间有多少距离才算匹配。该值越小对比越严格，0.6是典型的最佳值

       返回值：

       一个 True或者False值的列表，该表指示了known_face_encodings列表的每个成员的匹配结果
人脸编码函数——face_encodings
     
   2、  face_encodings(face_image, known_face_locations=None, num_jitters=1)

       给定一个图像，返回图像中每个人脸的128脸部编码（特征向量）。

       参数：

       face_image：输入的人脸图像

       known_face_locations：可选参数，如果你知道每个人脸所在的边界框

       num_jitters=1：在计算编码时要重新采样的次数。越高越准确，但速度越慢（100就会慢100倍）

       返回值：

       一个128维的脸部编码列表

# 导入库
import os
import face_recognition
# 制作所有可用图像的列表
images = os.listdir('images')
# 加载图像
image_to_be_matched = face_recognition.load_image_file('my_image.jpg')

# 将加载图像编码为特征向量

image_to_be_matched_encoded = face_recognition.face_encodings(

   image_to_be_matched)[0]

# 遍历每张图像
for image in images:
   # 加载图像
   current_image = face_recognition.load_image_file("images/" + image)
   # 将加载图像编码为特征向量
   current_image_encoded = face_recognition.face_encodings(current_image)[0]

   # 将你的图像和图像对比，看是否为同一人

   result = face_recognition.compare_faces(

       [image_to_be_matched_encoded], current_image_encoded)

   # 检查是否一致

   if result[0] == True:

       print ("Matched: " + image)

   else:

       print ("Not matched: " + image)