face_recognition是一個(gè)強(qiáng)大、簡單、易上手的人臉識(shí)別開源項(xiàng)目，并且配備了完整的開發(fā)文檔和應(yīng)用案例，特別是兼容樹莓派系統(tǒng)。 face_recognition一經(jīng)開源發(fā)布就得到的廣泛的熱捧，使用簡單，功能強(qiáng)大成為其非常顯著的標(biāo)簽。face_recognition對(duì)于公司或者是一些工程實(shí)踐性的應(yīng)用場景來說是非常好用好上手的利器，不需要你有太多的理論基礎(chǔ)就可以比較輕松地去完成一個(gè)識(shí)別項(xiàng)目，所以今天我們專門來講解一下。

首先face_recognition項(xiàng)目開源地址是：https://github.com/ageitgey/face_recognition

網(wǎng)上有比較完整的API說明以及實(shí)例應(yīng)用，我這里就不多去說明了。首先，使用face_recognition需要安裝，可以通過pip完成。

安裝完成后就可以使用了，在編碼前可以通過簡單的測試來檢驗(yàn)是否安裝成功，如下所示：

成功安裝后，就可以進(jìn)入使用了。

1、定位圖像中的人臉

def demoFunc（）：

‘’‘

在一張包含人臉的圖片中圈出來人臉

’‘’

image = face_recognition.load_image_file（“test.jpg”）

face_locations = face_recognition.face_locations（image）

for one in face_locations：

y0， x1， y1， x0=one

cv2.rectangle（image， pt1=（x0， y0）， pt2=（x1， y1）， color=（0， 0， 255）， thickness=3）

cv2.imshow（‘a(chǎn)aa’， image）

if cv2.waitKey（0） & 0xFF == ord（‘q’）：

cv2.destroyAllWindows（）

感覺還是很強(qiáng)大的，當(dāng)然了，在我實(shí)踐的過程中也發(fā)現(xiàn)了部分圖像識(shí)別檢測人臉失敗的問題，這個(gè)畢竟不是一個(gè)百分之百的問題，face_recognition更像是一個(gè)基礎(chǔ)框架，幫助我們更加高效地去構(gòu)建自己的人臉識(shí)別的相關(guān)應(yīng)用。

2、切割圖像中的每個(gè)人臉保存本地

def demoFunc（）：

‘’‘

圖片中人臉截圖保存

’‘’

img = cv2.imread（“test.jpg”）

image = face_recognition.load_image_file（“test.jpg”）

face_locations = face_recognition.face_locations（image） #（top， right， bottom， left）

for i in range（len（face_locations））：

y0， x1， y1， x0 = face_locations［i］

cropped = img.crop（（x0，y0，x1，y1）） # （left， upper， right， lower） 左上角 右下角

cropped.save（str（i）+“_.jpg”）

cropped.show（）

使用的原始圖像同上，結(jié)果如下所示：

五張人臉都檢測成功，并且保存成功，這里主要是要注意一些face_locations這個(gè)函數(shù)的返回結(jié)果，返回的子列表中每個(gè)子列表包含4個(gè)元素，分別是單張人臉圖像的左上頂點(diǎn)和右下頂點(diǎn)坐標(biāo)，主要需要注意的是這四個(gè)參數(shù)的順序，我給出來的結(jié)果中（x0，y0）表示左上頂點(diǎn)的坐標(biāo)，（x1，y1）表示右下頂點(diǎn)的坐標(biāo)。

3、將圖像中的每個(gè)人臉編碼成一個(gè)128維的向量

def demoFunc（）：

‘’‘

將圖片中的每張人臉編碼成一個(gè)128維長度的向量

’‘’

image = face_recognition.load_image_file（“cl.jpg”）

face_locations = face_recognition.face_locations（image） #（top， right， bottom， left）

face_encodings = face_recognition.face_encodings（image， face_locations） #將單個(gè)人臉數(shù)據(jù)轉(zhuǎn)化為一個(gè)128維的向量

for one in face_encodings：

print（‘one： ’，one）

進(jìn)行到這里就不得不去講一下face_recognition的一些應(yīng)用原理，下面是我的一些總結(jié)，如有不當(dāng)歡迎指教。

face_recognition模塊人臉識(shí)別應(yīng)用實(shí)現(xiàn)的原理：

（１） 給定想要識(shí)別的人臉的圖片并對(duì)其進(jìn)行編碼（每個(gè)人只需要一張），并將這些不同的人臉編碼構(gòu)建成一個(gè)列表。編碼其實(shí)就是將人臉圖片映射成一個(gè)１２８維的特征向量。

（２） 計(jì)算圖像向量之間的相似度根據(jù)閾值或者是容錯(cuò)度來決定是否是同一個(gè)人。

（３） 輸出識(shí)別結(jié)果標(biāo)簽。

毫不夸張地說，face_recognition整個(gè)的核心就在于這一塊的向量化處理中，輸入的每一張人臉圖像都會(huì)被轉(zhuǎn)化為一個(gè)128維的特征向量進(jìn)行存儲(chǔ)，128維特征向量的生成也是一個(gè)算法在里面的感興趣的話可以去查一下深入了解一下，我這里就不展開了，之后的人臉識(shí)別就轉(zhuǎn)化為了兩個(gè)人臉圖像之間向量相似度的問題了。

這里使用一張成龍大哥的圖像來進(jìn)行測試，原始圖像如下所示：

向量化結(jié)果如下：

如果自己想要構(gòu)建自己的個(gè)性化應(yīng)用的話一般會(huì)選擇在這里進(jìn)行改造，首先就是需要保存這里的特征向量。

4、輸入兩張人臉圖像，判斷是否是同一個(gè)人

def demoFunc（one_pic=‘c1.jpg’，two_pic=‘c2.jpg’）：

‘’‘

給定兩張圖片，判斷是否是同一個(gè)人

’‘’

chenglong = face_recognition.load_image_file（one_pic）

unknown_image = face_recognition.load_image_file（two_pic）

biden_encoding = face_recognition.face_encodings（chenglong）［0］

unknown_encoding = face_recognition.face_encodings（unknown_image）［0］

results = face_recognition.compare_faces（［biden_encoding］， unknown_encoding）

print（‘results： ’，results）

return results［0］

這里其實(shí)跟上面第三部分的有點(diǎn)相似，這部分是建立在第三部分基礎(chǔ)上的只不過是自帶了compare_faces這個(gè)相似度計(jì)算接口，這里其實(shí)可以自己去實(shí)現(xiàn)替換的。

同樣，使用了兩張成龍大哥的圖像來進(jìn)行測試，原始圖像如下所示：

測試結(jié)果如下：

5、臉部關(guān)鍵點(diǎn)識(shí)別和標(biāo)注

def demoFunc（pic_path=‘cl.jpg’）：

‘’‘

臉部關(guān)鍵點(diǎn)識(shí)別、標(biāo)注

’‘’

image = face_recognition.load_image_file（pic_path）

face_landmarks_list = face_recognition.face_landmarks（image）

print（“I found {} face（s） in this photograph.”.format（len（face_landmarks_list）））

pil_image = Image.fromarray（image）

d = ImageDraw.Draw（pil_image）

for face_landmarks in face_landmarks_list：

for facial_feature in face_landmarks.keys（）：

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

for facial_feature in face_landmarks.keys（）：

d.line（face_landmarks［facial_feature］， width=5）

pil_image.show（）

臉部的關(guān)鍵點(diǎn)包括：鼻子、嘴巴、眼睛、眉毛等，這里還是用的上面成龍大哥的圖片，下面的結(jié)果輸出：

6、化妝

這部分是建立在第五部分基礎(chǔ)上的，得到的面部的特征以后就可以進(jìn)行自動(dòng)化妝了，下面是具體的實(shí)現(xiàn)：

def demoFunc（pic_path=“haiwang.jpg”）：

‘’‘

化妝

’‘’

image = face_recognition.load_image_file（pic_path）

face_landmarks_list = face_recognition.face_landmarks（image）

pil_image = Image.fromarray（image）

for face_landmarks in face_landmarks_list：

demo = ImageDraw.Draw（pil_image， ‘RGBA’）

demo.polygon（face_landmarks［‘left_eyebrow’］， fill=（68， 54， 39， 128））

demo.polygon（face_landmarks［‘right_eyebrow’］， fill=（68， 54， 39， 128））

demo.line（face_landmarks［‘left_eyebrow’］， fill=（68， 54， 39， 150）， width=2）

demo.line（face_landmarks［‘right_eyebrow’］， fill=（68， 54， 39， 150）， width=2）

demo.polygon（face_landmarks［‘top_lip’］， fill=（150， 0， 0， 128））

demo.polygon（face_landmarks［‘bottom_lip’］， fill=（150， 0， 0， 128））

demo.line（face_landmarks［‘top_lip’］， fill=（150， 0， 0， 64）， width=2）

demo.line（face_landmarks［‘bottom_lip’］， fill=（150， 0， 0， 64）， width=2）

demo.polygon（face_landmarks［‘left_eye’］， fill=（255， 255， 255， 30））

demo.polygon（face_landmarks［‘right_eye’］， fill=（255， 255， 255， 30））

demo.line（face_landmarks［‘left_eye’］ + ［face_landmarks［‘left_eye’］［0］］， fill=（0， 0， 0， 110）， width=2）

demo.line（face_landmarks［‘right_eye’］ + ［face_landmarks［‘right_eye’］［0］］， fill=（0， 0， 0， 110）， width=2）

pil_image.show（）

7、基于face_recognition構(gòu)建自己的簡單人臉識(shí)別應(yīng)用

上面介紹了很多face_recognition的應(yīng)用，這里才是最重要的內(nèi)容我覺得是這樣的，基于已有的功能來實(shí)現(xiàn)我們自己的個(gè)性化應(yīng)用，我這里只是簡單的拋磚引玉，給出來自己的最最簡單的實(shí)現(xiàn)：

def faceRecognitionDemo（picDir=‘data/’， test_pic=‘test.png’）：

‘’‘

基于 face_recognition 構(gòu)建人臉識(shí)別模塊

’‘’

pic_list=os.listdir（picDir）

for one_pic in pic_list：

one_pic_path=picDir+one_pic

one_res=demo6（one_pic=one_pic_path，two_pic=test_pic）

one_name=one_pic.split（‘?！?］.strip（）

if one_res：

print（‘This Person is： ’， one_name）

break

else：

print（‘This Person is not： ’， one_name）

結(jié)果輸出如下：

當(dāng)然了，實(shí)時(shí)計(jì)算肯定當(dāng)前的計(jì)算方式不能滿足的，這個(gè)只是一個(gè)最簡單的應(yīng)用而已，只想在這里拋磚引玉，這里是通過調(diào)用了face_recognition接口的形式來完成相似判定的工作的，還有一種非常常見的辦法，就是在得到人臉圖像的128維特征向量之后，就可以將人臉識(shí)別問題轉(zhuǎn)化為基于機(jī)器學(xué)習(xí)模型的一個(gè)簡單分類問題了，比如SVM、RF、GBDT等都可以非常出色地完成上面的任務(wù)。

責(zé)任編輯：haq