当前位置：首页 > 编程日记 > 正文

实战 | 如何用最快的速度学会Dlib人脸识别开发？

编程日记 2025-01-02 08:20:00

640?wx_fmt=jpeg

作者 | 小宋是呢
来源 | 转载自小宋是呢

项目GitHub地址：https://github.com/xiaosongshine/dlib_face_recognition

1.背景介绍

Dlib是一个深度学习开源工具，基于C++开发，也支持Python开发接口，功能类似于TensorFlow与PyTorch。但是由于Dlib对于人脸特征提取支持很好，有很多训练好的人脸特征提取模型供开发者使用，所以Dlib人脸识别开发很适合做人脸项目开发。

上面所说的人脸识别开发，主要是指人脸验证，就是输入两张人脸照片，系统会对比输出0或者1，代表判断是否是同一个人。一般的人脸识别开发可以简单分为1.人脸特征建模与2.使用人脸特征模型进行验证（其实还应包括人脸对齐等,这些也可以划分到1中）。使用Dlib进行开发时，我们直接可以使用训练好的人脸特征提取模型，主要的工作就变成了如何进行人脸的验证。

人脸的验证其实就是计算相似度，同一个人的相似度就会大，不同的人就会比较小。可以采用余弦相似度或者欧式距离来计算相似度。其中余弦相似度就是计算角度，欧式距离就是指平方差。都可以用来表示两个特征的相似度（距离）。

2.环境搭建

安装可以参考我的这篇博客：[深度学习工具]·极简安装Dlib人脸识别库，下面说一下需要注意的点:：

此博文针对Windows10安装，其他平台可以仿照这个步骤来安装

使用conda指令来安装Dlib库，使用Miniconda与Anaconda都可以，我习惯用Miniconda，简单占用内存小。

推荐使用清华源，下载安装，选择合适的平台版本。python==3.6

注意一定要以管理员身份进入CMD，执行（如果是Linux Mac 就使用 sudo）

conda install -c conda-forge dlib

需要imageio 库，可以使用下述命令安装

conda install imageio

3.开发实战

1.实现人脸检测标记

face_test.py	
import dlib	
from imageio import imread	
import glob	
detector = dlib.get_frontal_face_detector()	
win = dlib.image_window()	
path = "f1.jpg"	
img = imread(path)	
dets = detector(img)	
print('检测到了 %d 个人脸' % len(dets))	
for i, d in enumerate(dets):	
print('- %d：Left %d Top %d Right %d Bottom %d' % (i, d.left(), d.top(), d.right(), d.bottom()))	win.clear_overlay()	
win.set_image(img)	
win.add_overlay(dets)	
dlib.hit_enter_to_continue()

代码很简单，通过imread读取照片，然后进行检测，输出结果为dets的list，有几张人脸就会有几个item，每个item都有.left(), .top(), .right(), .bottom()四个元素，代表人脸框的四个边界位置。最后通过win.add_overlay(dets)可以将标记的框显示在原图上。

原始照片

640?wx_fmt=jpeg

输出照片

640?wx_fmt=png

其实我们就可以使用这个功能做一个简单的应用，用来检测图片或者视频中人脸的个数。

2.人脸特征点提取

在实战1的基础上添加人脸特征提取功能。

import dlib	
from imageio import imread	
import glob	
detector = dlib.get_frontal_face_detector()	
win = dlib.image_window()	
predictor_path = 'shape_predictor_68_face_landmarks.dat'	
predictor = dlib.shape_predictor(predictor_path)	
path = "f2.jpg"	
img = imread(path)	
dets = detector(img)	
print('检测到了 %d 个人脸' % len(dets))	
for i, d in enumerate(dets):	
print('- %d: Left %d Top %d Right %d Bottom %d' % (i, d.left(), d.top(), d.right(), d.bottom()))	shape = predictor(img, d)	# 第 0 个点和第 1 个点的坐标	print('Part 0: {}, Part 1: {}'.format(shape.part(0), shape.part(1)))	win.clear_overlay()	
win.set_image(img)	
win.add_overlay(dets)	
win.add_overlay(shape)	
dlib.hit_enter_to_continue()

这段代码就是在test.py基础上加入了shape_predictor功能，使之可以在检测出人脸基础上，找到人脸的68个特征点。反映在图中就是蓝色的线。

原始图片

640?wx_fmt=jpeg

输出图片

640?wx_fmt=png

注意运行这段代码需要这个文件predictor_path = 'shape_predictor_68_face_landmarks.dat'，我会放在我的github中，方便大家下载使用。

3.人脸识别验证

在第二步的基础上，我们再进一步，实现将人脸提取为特征向量，从而我们就可以对特征向量进行比对来实现人脸的验证，这里采用的是对比欧式距离的方法。

face_recognition.py	
import dlib	
from imageio import imread	
import glob	
import numpy as np	
detector = dlib.get_frontal_face_detector()	
predictor_path = 'shape_predictor_68_face_landmarks.dat'	
predictor = dlib.shape_predictor(predictor_path)	
face_rec_model_path = 'dlib_face_recognition_resnet_model_v1.dat'	
facerec = dlib.face_recognition_model_v1(face_rec_model_path)	
def get_feature(path):	
img = imread(path)	dets = detector(img)	print('检测到了 %d 个人脸' % len(dets))	# 这里假设每张图只有一个人脸	shape = predictor(img, dets[0])	face_vector = facerec.compute_face_descriptor(img, shape)	return(face_vector)	def distance(a,b):	
a,b = np.array(a), np.array(b)	sub = np.sum((a-b)**2)	add = (np.sum(a**2)+np.sum(b**2))/2.	return sub/add	path_lists1 = ["f1.jpg","f2.jpg"]	
path_lists2 = ["赵丽颖照片.jpg","赵丽颖测试.jpg"]	
feature_lists1 = [get_feature(path) for path in path_lists1]	
feature_lists2 = [get_feature(path) for path in path_lists2]	
print("feature 1 shape",feature_lists1[0].shape)	
out1 = distance(feature_lists1[0],feature_lists1[1])	
out2 = distance(feature_lists2[0],feature_lists2[1])	
print("diff distance is",out1)	
print("same distance is",out2)	
out1 = distance(feature_lists1[0],feature_lists1[1])	
out2 = distance(feature_lists2[0],feature_lists2[1])

输出结果

检测到了 1 个人脸	
检测到了 1 个人脸	
检测到了 1 个人脸	
检测到了 1 个人脸	
feature 1 shape (128, 1)	
diff distance is 0.254767715912	
same distance is 0.0620976363391

我们可以看出，每张人脸都被提取为了128维的向量，我们可以理解为128维的坐标（xyz是三维，128维就是有128个轴组成），我们下面需要做的就是计算两个特征的距离，设定好合适的阈值，小于这个阈值则识别为同一个人。代码正确运行需要这个文件face_rec_model_path = 'dlib_face_recognition_resnet_model_v1.dat'，我已经放在自己的github（https://github.com/xiaosongshine/dlib_face_recognition）中，方便大家使用。

我们从上面测试的结果可以看出，不同的距离为0.25，同一个人为0.06，阈值就可以先设置为其间的一个值。我这里先设置为0.09，这个阈值也是需要大量数据来计算的，选择的准则为使错误识别为最低。

下面我们把阈值设置为0.09，来测试系统能否区分出不同的人：在face_recognition.py加入下面代码

def classifier(a,b,t = 0.09):	
if(distance(a,b)<=t):	ret = True	else :	ret = False	return(ret)	print("f1 is 赵丽颖",classifier(feature_lists1[0],feature_lists2[1]))	
print("f2 is 赵丽颖",classifier(feature_lists1[1],feature_lists2[1]))	
print("赵丽颖照片.jpg is 赵丽颖测试.jpg",classifier(feature_lists2[0],feature_lists2[1]))

输出结果

f1 is 赵丽颖 False	
f2 is 赵丽颖 False	
赵丽颖照片.jpg is 赵丽颖测试.jpg True

从上面可以看出，已基本满足对人脸区分的功能，如果如要实用化则需要继续调优阈值与代码，调优的准则就是选择合适的阈值使错误识别为最低。

Hope this helps

原文链接：https://blog.csdn.net/xiaosongshine/article/details/89496667

◆

精彩推荐

◆

参与投稿加入作者群，成为全宇宙最优秀的技术人~

640?wx_fmt=png

6月29-30日，2019以太坊技术及应用大会特邀以太坊创始人V神与以太坊基金会核心成员，以及海内外知名专家齐聚北京，聚焦前沿技术，把握时代机遇，深耕行业应用，共话以太坊2.0新生态。

扫码或点击阅读原文，既享优惠购票！

640?wx_fmt=jpeg

推荐阅读

你点的每个“在看”，我都认真当成了喜欢

https://www.dkcj.cn/info/34498.html

实战 | 如何用最快的速度学会Dlib人脸识别开发？

相关文章：

matlab内存管理

Koa2和Redux中间件源码研究

matlab内存管理(二)

校招经验分享—高考结束！校招还会远么～～

数据科学究竟是什么？

SQL with NUll处理,Join系列,between,in对比exists以及少量题目

清华大学提出APDrawingGAN，人脸照片秒变艺术肖像画

图像处理和图像识别中常用的OpenCV函数

SQLServer之DEFAULT约束

tmux/screen里面如何用鼠标滚轮来卷动窗口内容

图像空间变换--imtransform

谷歌用1.2万个模型“推翻”现有无监督研究成果！斩获ICML 2019最佳论文

实战：掌握PyTorch图片分类的简明教程 | 附完整代码

python group()

图像配准的方法

微软发布Visual Studio 2017 15.8

推荐系统产品与算法概述 | 深度

【iOS-cocos2d-X 游戏开发之十六】Cocos2dx编译后的Android自动使用(-hd)高清图设置自适应屏幕...

matlab图像处理命令(一)

MYSQL 查询数据排序数据和分组数据

Oracle RAC系列之：利用srvctl管理RAC数据库

matlab图像处理命令(二)

10万人的1000万张图像，微软悄然删除最大公开人脸数据集

密码学原理学习笔记

终于申请博客了

一种二维条码图像处理流程

vue中静态文件引用注意事项

百度AI快车道—企业深度学习实战营，推荐系统主题专场即将开课

SIFT特征提取算法总结

一步步构建大型网站架构