「Python」人臉識別應用

人臉識別主要步驟：

face_recognition 庫的安裝

安裝此庫，首先須要安裝編譯dlib,此處咱們偷個懶，安裝軟件Anaconda（大牛繞過），此軟件預裝了dlib.

安裝好後，咱們直接經過pip 安裝face_recognition庫，命令以下

python -m pip install face_recognition

調用一下庫，檢查是否成功導入

沒報錯，就是安裝成功了。

按照以上辦法在安裝numpy 和python-opencv 兩個庫就能夠了

經過face_recognition庫實現人臉識別

代碼以下

# -*- coding: UTF-8 -*-
import face_recognition
import cv2
import os
# 這是一個超級簡單（但很慢）的例子，在你的網絡攝像頭上實時運行人臉識別
# PLEASE NOTE: This example requires OpenCV (the `cv2` library) to be installed only to read from your webcam.
# 請注意：這個例子須要安裝OpenCV
# 具體的演示。若是你安裝它有困難，試試其餘不須要它的演示。
# 獲得一個參考的攝像頭# 0（默認）
video_capture = cv2.VideoCapture(0)
# 加載示例圖片並學習如何識別它。
path ="images"#在同級目錄下的images文件中放須要被識別出的人物圖
total_image=[]
total_image_name=[]
total_face_encoding=[]
for fn in os.listdir(path): #fn 表示的是文件名
 total_face_encoding.append(face_recognition.face_encodings(face_recognition.load_image_file(path+"/"+fn))[0])
 fn=fn[:(len(fn)-4)]#截取圖片名（這裏應該把images文件中的圖片名命名爲爲人物名）
 total_image_name.append(fn)#圖片名字列表
while True:
 # 抓取一幀視頻
 ret, frame = video_capture.read()
 # 發如今視頻幀全部的臉和face_enqcodings
 face_locations = face_recognition.face_locations(frame)
 face_encodings = face_recognition.face_encodings(frame, face_locations)
 # 在這個視頻幀中循環遍歷每一個人臉
 for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
 # 看看面部是否與已知人臉相匹配。
 for i,v in enumerate(total_face_encoding):
 match = face_recognition.compare_faces([v], face_encoding,tolerance=0.5)
 name = "Unknown"
 if match[0]:
 name = total_image_name[i]
 break
 # 畫出一個框，框住臉
 cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
 # 畫出一個帶名字的標籤，放在框下
 cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 0, 255), cv2.FILLED)
 font = cv2.FONT_HERSHEY_DUPLEX
 cv2.putText(frame, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)
 # 顯示結果圖像
 cv2.imshow('Video', frame)
 # 按q退出
 if cv2.waitKey(1) & 0xFF == ord('q'):
 break
# 釋放攝像頭中的流
video_capture.release()
cv2.destroyAllWindows()

其次還要準備一個images文件夾進行攝像頭的人臉比對

成功的效果圖我就不貼了。

私信小編01 02 03 04 便可獲取數十套PDF哦！

原理以下：

1.遍歷images文件中的圖片

2.提取特徵臉

3.攝像頭每幀提取圖片，提取特診臉

4.遍歷特徵列表，找出符合特徵臉

5.輸出名字

一、從特徵中找出圖片中的人臉

import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_locations = face_recognition.face_locations(image)

二、找到而且控制圖像中的臉部特徵

import face_recognition 
image = face_recognition.load_image_file("your_file.jpg") 
face_landmarks_list = face_recognition.face_landmarks(image)

三、識別照片中的人臉

import face_recognition
known_image = face_recognition.load_image_file("biden.jpg")
unknown_image = face_recognition.load_image_file("unknown.jpg")
biden_encoding = face_recognition.face_encodings(known_image)
[0]unknown_encoding = face_recognition.face_encodings(unknown_image)
[0]results = face_recognition.compare_faces([biden_encoding], unknown_encoding)

0×02 總結

總的來講，該開源庫使得人臉識別的普及實現再也不那麼的遙遠。調用該庫，只需幾行代碼，即可實現人臉識別。有什麼問題能夠在下面評論討論哦，各路大牛勿噴。

* 本文做者：淼淼兮與懷，本文屬FreeBuf原創獎勵計劃，未經許可禁止轉載

Python+樹莓派+YOLO打造一款人工智能相機

2018年1月2日 BY ALPHA_H4CK·PYTHON+樹莓派+YOLO打造一款人工智能相機

已關閉評論

不久以前，亞馬遜剛剛推出了DeepLens。這是一款專門面向開發人員的全球首個支持深度學習的攝像機，它所使用的機器學習算法不只能夠檢測物體活動和麪部表情，並且還能夠檢測相似彈吉他等複雜的活動。雖然DeepLens還未正式上市，但智能攝像機的概念已經誕生了。

今天，咱們將本身動手打造出一款基於深度學習的照相機，當小鳥出如今攝像頭畫面中時，它將能檢測到小鳥並自動進行拍照。最終成品所拍攝的畫面以下所示：

相機不傻，它能夠很機智

咱們不打算將一個深度學習模塊整合到相機中，相反，咱們準備將樹莓派「掛鉤」到攝像頭上，而後經過WiFi來發送照片。本着「一切從簡」（窮）爲核心出發，咱們今天只打算搞一個跟DeepLens相似的概念原型，感興趣的同窗能夠本身動手嘗試一下。

接下來，咱們將使用Python編寫一個Web服務器，樹莓派將使用這個Web服務器來向計算機發送照片，或進行行爲推斷和圖像檢測。

咱們這裏所使用的計算機其處理能力會更強，它會使用一種名叫YOLO的神經網絡架構來檢測輸入的圖像畫面，並判斷小鳥是否出如今了攝像頭畫面內。

咱們得先從YOLO架構開始，由於它是目前速度最快的檢測模型之一。該模型專門給Tensorflow（谷歌基於DistBelief進行研發的第二代人工智能學習系統）留了一個接口，因此咱們能夠輕鬆地在不一樣的平臺上安裝和運行這個模型。友情提示，若是你使用的是咱們本文所使用的迷你模型，你還能夠用CPU來進行檢測，而不僅是依賴於價格昂貴的GPU。

接下來回到咱們的概念原型上… 若是像框內檢測到了小鳥，那咱們就保存圖片並進行下一步分析。

檢測與拍照

正如咱們所說的，DeepLens的拍照功能是整合在計算機裏的，因此它能夠直接使用板載計算能力來進行基準檢測，並肯定圖像是否符合咱們的標準。

可是像樹莓派這樣的東西，咱們其實並不須要使用它的計算能力來進行實時計算。所以，咱們準備使用另外一臺計算機來推斷出如今圖像中的內容。

我使用的是一臺簡單的Linux計算機，它帶有一個攝像頭以及WiFi無線網卡（樹莓派3+攝像頭），而這個簡單的設備將做爲個人深度學習機器並進行圖像推斷。對我來講，這是目前最理想的解決方案了，這不只大大縮減了個人成本，並且還可讓我在臺式機上完成全部的計算。

固然了，若是你不想使用樹莓派視頻照相機的話，你也能夠選擇在樹莓派上安裝OpenCV 3來做爲方案B，具體的安裝方法請參考【這份文檔】。友情提示，安裝過程可謂是很是的麻煩！

接下來，咱們須要使用Flask來搭建Web服務器，這樣咱們就能夠從攝像頭那裏獲取圖像了。這裏我使用了MiguelGrinberg所開發的網絡攝像頭服務器代碼（Flask視頻流框架），並建立了一個簡單的jpg終端：

#!/usr/bin/envpython
from import lib import import_module
import os
from flask import Flask, render_template, Response
 
#uncomment below to use Raspberry Pi camera instead
#from camera_pi import Camera
 
#comment this out if you're not using USB webcam
from camera_opencv import Camera
 
app =Flask(__name__)
 
@app.route('/')
def index():
 return "hello world!"
 
def gen2(camera):
 """Returns a single imageframe"""
 frame = camera.get_frame()
 yield frame
 
@app.route('/image.jpg')
def image():
 """Returns a single currentimage for the webcam"""
 return Response(gen2(Camera()),mimetype='image/jpeg')
 
if __name__ == '__main__':
app.run(host='0.0.0.0', threaded=True)

若是你使用的是樹莓派視頻照相機，請確保沒有註釋掉上述代碼中from camera_pi那一行，而後註釋掉from camera_opencv那一行。

你能夠直接使用命令python3 app.py或gunicorn來運行服務器，這跟Miguel在文檔中寫的方法是同樣的。若是咱們使用了多臺計算機來進行圖像推斷的話，咱們還能夠利用Miguel所開發的攝像頭管理方案來管理攝像頭以及計算線程。

當咱們啓動了樹莓派以後，首先須要根據IP地址來判斷服務器是否正常工做，而後嘗試經過Web瀏覽器來訪問服務器。

URL地址格式相似以下：

http://192.168.1.4:5000/image.jpg

在樹莓派中加載Web頁面及圖像來肯定服務器是否正常工做：

圖像導入及推斷

既然咱們已經設置好了終端來加載攝像頭當前的圖像內容，咱們就能夠構建一個腳原本捕捉圖像並推斷圖像中的內容了。

這裏咱們須要用到request庫（一個優秀的Python庫，用於從URL地址獲取文件資源）以及Darkflow（YOLO模型基於Tensorflow的實現）。

不幸的是，咱們沒辦法使用pip之類的方法來安裝Darkflow，因此咱們須要克隆整個代碼庫，而後本身動手完成項目的構建和安裝。安裝好Darkflow項目以後，咱們還須要下載一個YOLO模型。

由於我使用的是速度比較慢的計算機和板載CPU（而不是速度較快的GPU），因此我選擇使用YOLO v2迷你網絡。固然了，它的功能確定沒有完整的YOLO v2模型的推斷準確性高啦！

配置完成以後，咱們還須要在計算機中安裝Pillow、numpy和OpenCV。最後，咱們就能夠完全完成咱們的代碼，並進行圖像檢測了。

最終的代碼以下所示：

from darkflow.net.build import TFNet
import cv2
 
from io import BytesIO
import time
import requests
from PIL import Image
import numpy as np
 
options= {"model": "cfg/tiny-yolo-voc.cfg", "load":"bin/tiny-yolo-voc.weights", "threshold": 0.1}
 
tfnet= TFNet(options)
 
birdsSeen= 0
def handleBird():
 pass
 
whileTrue:
 r =requests.get('http://192.168.1.11:5000/image.jpg') # a bird yo
 curr_img = Image.open(BytesIO(r.content))
 curr_img_cv2 =cv2.cvtColor(np.array(curr_img), cv2.COLOR_RGB2BGR)
 
 result = tfnet.return_predict(curr_img_cv2)
 print(result)
 for detection in result:
 if detection['label'] == 'bird':
 print("bird detected")
 birdsSeen += 1
 curr_img.save('birds/%i.jpg' %birdsSeen)
 print('running again')
time.sleep(4)

此時，咱們不只能夠在命令控制檯中查看到樹莓派所檢測到的內容，並且咱們還能夠直接在硬盤中查看保存下來的小鳥照片。接下來，咱們就可使用YOLO來標記圖片中的小鳥了。

假陽性跟假陰性之間的平衡

咱們在代碼的options字典中設置了一個threshold鍵，這個閾值表明的是咱們用於檢測圖像的某種成功率。在測試過程當中，咱們將其設爲了0.1，可是如此低的閾值會給咱們帶來是更高的假陽性以及誤報率。更糟的是，咱們所使用的迷你YOLO模型準確率跟完整的YOLO模型相比，差得太多了，但這也是須要考慮的一個平衡因素。

下降閾值意味着咱們能夠獲得更多的模型輸出（照片），在個人測試環境中，我閾值設置的比較低，由於我想獲得更多的小鳥照片，不過你們能夠根據本身的須要來調整閾值參數。