face_recognition人脸识别

face_recognition人脸识别

face_recognition简介

这是世界上最简单的人脸识别库了。你可以通过Python引用或者命令行的形式使用它，来管理和识别人脸。
该软件包使用dlib中最先进的人脸识别深度学习算法，使得识别准确率在《Labled Faces in the world》测试基准下达到了99.38%。它同时提供了一个叫face_recognition的命令行工具，以便你可以用命令行对一个文件夹中的图片进行识别操作。

face_recognition安装

1.1 先安装 cmake 和 boost

pip  install  cmake
pip install boost

1.2 安装 dlib

pip install dlib

此处安装可能要几分钟。如安装出错，建议使用 whl 文件来安装
下载地址：https://pypi.org/simple/dlib/
然后输入pip install …whl

1.3 安装 face_recognition
face_recongnition 一般要配合 opencv 一起使用

pip install face_recognition
pip install opencv-python

人脸识别

（一）检测两张图片是否为同一个人

#人脸识别
import face_recognition
from PIL import Image
import matplotlib.pyplot as plt
known_image = face_recognition.load_image_file("images/train.jpg")
unknown_image = face_recognition.load_image_file("images/test.jpg")
img1 = Image.open("images/train.jpg")
plt.imshow(img1)
plt.axis('off')
plt.show()
img2 = Image.open("images/test.jpg")
plt.imshow(img2)
plt.axis('off')
plt.show()
baixiaona_encoding = face_recognition.face_encodings(known_image)[0]
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]
results = face_recognition.compare_faces([baixiaona_encoding], unknown_encoding)
if results[0] == True:
    print ("Yes!")
else:
    print ("No!")

API说明：

图像载入函数——load_image_file

   load_image_file(file, mode='RGB')

   加载一个图像文件到一个numpy array类型的对象上。

   参数：

   file：待加载的图像文件名字

   mode：转换图像的格式。只支持“RGB”(8位RGB, 3通道)和“L”(黑白)

   返回值：

   一个包含图像数据的numpy array类型的对象

人脸编码函数——face_encodings

   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

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

人脸标注

import face_recognition
from PIL import Image, ImageDraw
import numpy as np


def draws():
    baixiaona_image = face_recognition.load_image_file("images/test3.jpg")
    baixiaona_face_encoding = face_recognition.face_encodings(baixiaona_image)[0]

    known_face_encodings = [
        baixiaona_face_encoding
    ]
    known_face_names = [
        "Bai"
    ]

    unknown_image = face_recognition.load_image_file("images/test1.jpg")
    
    face_locations = face_recognition.face_locations(unknown_image)
    face_encodings = face_recognition.face_encodings(unknown_image, face_locations)

    pil_image = Image.fromarray(unknown_image)
    draw = ImageDraw.Draw(pil_image)

    for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
        matches = face_recognition.compare_faces(known_face_encodings, face_encoding)
        name = "Unknown"
       
        if matches[0]==True:
            name = known_face_names[0]
        #print(matches[0])
        draw.rectangle(((left, top), (right, bottom)), outline=(0, 0, 255))

        text_width, text_height = draw.textsize(name)
        draw.rectangle(((left, bottom - text_height - 10), (right, bottom)), fill=(0, 0, 255), outline=(0, 0, 255))
        draw.text((left + 6, bottom - text_height - 5), name, fill=(255, 255, 255, 255))

    del draw
    pil_image.show()
    pil_image.save("images/image_with_boxes.jpg")
draws()

人脸定位函数——face_locations

   face_locations(face_image,number_of_times_to_upsample=1,model="hog")

   利用CNN深度学习模型或方向梯度直方图（Histogram of Oriented Gradient, HOG）进行人脸提取。返回值是一个数组(top, right, bottom, left)表示人脸所在边框的四条边的位置。

   参数：

   face_image：输入的人脸图像

   number_of_times_to_upsample=1：从图片的样本中查找多少次人脸，该参数的值越高的话越能发现更小的人脸

   model="hog"：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPU上运行更快，“cnn” 更准确更深度（且GPU/CUDA加速，如果有GPU支持的话），默认是“hog”

   返回值：

   一个元组列表，列表中的每个元组包含人脸的四边位置(top, right, bottom, left)

批次人脸定位函数（GPU）——batch_face_locations

   batch_face_locations(face_images,number_of_times_to_upsample=1,batch_size=128)

   使用CNN人脸检测器返回一个包含人脸特征的二维数组，如果使用了GPU，这个函数能够更快速的返回结果；如果不使用GPU的话，该函数就没必要使用

   参数：

   face_images：输入多张人脸图像组成的list

   number_of_times_to_upsample=1：从图片的样本中查找多少次人脸，该参数的值越高的话越能发现更小的人脸

   batch_size=128：每个GPU一次批处理多少个image

   返回值：

   一个元组列表，列表中的每个元组包含人脸的四边位置(top, right, bottom, left)

人脸特征向量距离函数——face_distance

face_distance(face_encodings,face_to_compare)

   给定一组面部编码，将它们与已知的面部编码进行比较，得到欧氏距离。对于每一个比较的脸，欧氏距离代表了这些脸有多相似。

   参数：

   face_encodings：输入的人脸图片

face_to_compare：待进行对比的单张人脸编码数据

   tolerance：比对阈值，即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numpy ndarray，数组中的欧式距离与faces数组的顺序一一对应     

人脸化妆

import face_recognition
from PIL import Image, ImageDraw
import numpy as np
#将图片文件加载到 numpy 数组中，然后将人脸中的面部所有特征识别到一个列表中
image = face_recognition.load_image_file("images/test1.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)

print(face_landmarks_list)

pil_image = Image.fromarray(image)
d = ImageDraw.Draw(pil_image)

#遍历列表中的元素
for face_landmarks in face_landmarks_list:
    # 打印出图片中每个脸部特征的位置
    for facial_feature in face_landmarks.keys():
        print ("The {} in this face has the following points: {}"
               .format(facial_feature, face_landmarks[facial_feature]))
 
    #修改眉毛
#     d.polygon(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 128))
#     d.polygon(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 128))
#     d.line(face_landmarks['left_eyebrow'], fill=(68, 54, 39, 150), width=5)
#     d.line(face_landmarks['right_eyebrow'], fill=(68, 54, 39, 150), width=5)
    #给人脸涂口红
#     d.polygon(face_landmarks['top_lip'], fill=(150, 0, 0, 128))
#     d.polygon(face_landmarks['bottom_lip'], fill=(150, 0, 0, 128))
#     d.line(face_landmarks['top_lip'], fill=(150, 0, 0, 64), width=8)
#     d.line(face_landmarks['bottom_lip'], fill=(150, 0, 0, 64), width=8)
    #增加眼线
#     d.polygon(face_landmarks['left_eye'], fill=(255, 255, 255, 30))
#     d.polygon(face_landmarks['right_eye'], fill=(255, 255, 255, 30))
#     d.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(0, 0, 0, 110), width=6)
#     d.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(0, 0, 0, 110), width=6)
# Show the picture
pil_image.show()

人脸特征提取函数——face_landmarks

   face_landmarks(face_image,face_locations=None,model="large")

   给定一个图像，提取图像中每个人脸的脸部特征位置

   参数：

   face_image：输入的人脸图片

   face_locations=None：可选参数，默认值为None，代表默认解码图片中的每一个人脸。若输入face_locations()[i]可指定人脸进行解码

   model="large"：输出的特征模型，默认为“large”，可选“small”。当选择为"small"时，只提取左眼、右眼、鼻尖这三种脸部特征。

   返回值：

   返回值类型为：List[Dict[str,List[Tuple[Any,Any]]]]，是由各个脸部特征关键点位置组成的字典记录列表，一个Dict对象对应图片中的一个人脸，其key为某个脸部特征（如输出中的nose_bridge、left_eye等），value是由该脸部特征各个关键点位置组成的List，关键点位置是一个Tuple（如上输出中，nose_bridge对应的关键点位置组成的列表为[(881L, 128L), (880L, 141L), (880L, 154L), (879L, 167L)]  ）