手把手教你運用深度學習構建視頻人臉識別模型(Python實現）

本文將展現如何使用開源工具完成一我的臉識別的算法。

 

引言

 

「計算機視覺和機器學習已經開始騰飛，可是大多數人並不清楚計算機在識別一張圖片的時候，它到底看到了什麼。」——麥克.克里奇

 

計算機視覺這個精彩領域在最近幾年日新月異，目前已經具有了必定的規模。大量的應用已經在全世界被普遍使用 —— 而這也僅僅是個開始！

在這個領域中，我最讚揚的一件事就是對開源的接納。即便是那些技術大佬們也樂於與你們分享新的突破和創新，從而使這些技術再也不「曲高和寡」。

其中一項技術就是人臉識別，它能夠解決不少現實問題（若是被正確又合乎倫理地使用）。本文將展現如何使用開源工具完成一我的臉識別的算法。如下是的一個有趣的演示，這也爲接下來的內容作好鋪墊：

 

 

 

 

因此，你準備好了嗎？精彩纔剛剛開始！

提示：若是你想要了解計算機視覺的複雜性， 下面這個深度學習的計算機視覺是很好的起步課程。

Computer Vision using Deep Learninghttps://trainings.analyticsvidhya.com/courses/course-v1:AnalyticsVidhya+CVDL101+CVDL101_T1 /about

 

內容

 

• 人臉識別中有前景的應用
• 系統準備—— 硬件/軟件要求
• 硬件安裝
• 軟件安裝
• 探究Python的實現
• 簡單演練
• 人臉識別案例

 

人臉識別中有前景的應用

 

我找到了一些經典的人臉識別技術應用案例。你必定碰到過相似的例子，但並無意識到這些場景背後到底使用了什麼技術！

例如，對於每一張上傳到平臺的圖像，Facebook都用自動生成的標籤建議替代手動給圖像加標籤。Facebook使用了一個簡單的人臉識別算法來分析圖像中人臉的像素，同時將它和相關用戶作比較。咱們將學習如何建立一我的臉識別模型，可是在咱們描述相關的技術細節以前，先來探討一些其它的應用案例。

咱們如今經常用最新的「人臉解鎖」功能來解鎖手機。這是一個很小的人臉識別技術案例，以幫助維護我的數據安全。一樣的想法能夠應用於更大範圍，使相機可以在抓取圖像的同時識別人臉。

 

 

 

 

人臉識別技術還應用於廣告、醫療、銀行等行業中，只是不太被人所知。在大多數公司，甚至在不少會議中，進入時都須要佩戴身份識別卡。可是咱們可否找到一種無需佩戴任何身份識別卡就能進出的方法呢？人臉識別很是有助於這個想法的實現。人們只須要看着鏡頭，系統就會自動判斷他是否具有權限。

另外一個有趣的人臉識別應用是計算參與活動（如會議或音樂會）的人數。這並非手動計算參加者的數量，咱們能夠安裝一個攝像機，它可以捕捉參加者影像並計算人員總數。如此可使得過程自動化，同時也能節省大量人力。這個技術很是實用，不是嗎？

 

 

 

 

 

你能夠想出更多相似的應用 ——在下面的留言中和咱們分享吧！

本文將側重於人臉識別的實踐應用，對算法如何運做只做註釋。如果你想了解更多，能夠瀏覽下面這篇文章：

Understanding and Building an Object Detection Model from Scratch in Python

https://www.analyticsvidhya.com/blog/2018/06/understanding-building-object-detection-model-python/

 

系統準備 —— 硬件/軟件要求

 

如今你知道了人臉識別技術能夠實現的應用，讓咱們看看如何可以經過可用的開源工具來實現它。這就能體現領域的優點了 —— 分享開源代碼的意願和行動都是其餘領域沒法比擬的。

針對本文，如下列出了我使用的和推薦使用的系統配置以下：

• 一個網絡攝像頭（羅技 Logitech C920）用來搭建一個實時人臉識別器，並將其安裝在聯想E470 ThinkPad系列筆記本（英特爾酷睿5第7代內核Core i5 7th Gen）。你也可使用筆記本電腦自帶的攝像頭，或電視監控系統攝像頭。在任意系統上作實時的視頻分析均可以，並不必定是我正在使用的配置。
• 使用圖形處理器（GPU）來加速視頻處理會更好。
• 在軟件方面，咱們使用Ubuntu 18.04操做系統安裝全部必要的軟件。

 

爲了確保搭建模型前的每件事都安排穩當，接下來咱們將詳細探討如何配置。

步驟一：硬件安裝

首要的事就是檢查網絡攝像頭是否正確安裝。在Ubuntu上有一個簡單小技巧 —— 看一下相應的設備在操做系統中是否已經被註冊。你能夠照着如下的步驟來作：

步驟1.1：在鏈接網絡攝像頭到筆記本電腦以前，經過在命令提示符窗口輸入命令ls /dev/video* 來檢查全部鏈接上的視頻設備。這將列出那些已經鏈接入系統的視頻設備。

 

 

 

 

步驟1.2：鏈接網絡攝像頭並再次執行這一命令。

 

 

 

 

 

若是網絡攝像頭被成功鏈接，將顯示一個新的設備。

步驟1.3：另外一件你能夠作的事是使用任一網絡攝像頭軟件來檢查攝像頭可否正常工做，Ubuntu中你能夠用「Cheese」來檢查。

 

 

 

這裏咱們能夠看出網絡攝像頭已經安裝成功啦！硬件部分完成！

步驟二：軟件安裝

步驟2.1：安裝Python

本文中的代碼是用Python 3.5編寫。儘管有多種方法來安裝Python，我仍是建議使用Anaconda —— 數據科學中最受歡迎的Python發行版。

Anaconda下載連接：https://www.anaconda.com/download/

 

步驟2.2：安裝OpenCV

OpenCV(Open Source Computer Vision) 是一個旨在建立計算機視覺應用的軟件庫。它包含大量預先寫好的圖像處理功能。要安裝OpenCV，須要一個該軟件庫的pip安裝：

pip3 install opencv-python

步驟2.3：安裝face_recognition應用程序接口

最後，咱們將會使用face_recognition，它號稱是世界上最簡單的人臉識別應用程序Python接口。安裝以下：

pip install dlib
pip install face_recognition

讓咱們開始探索它的實現吧。

既然你已經配置好了系統，是時候探究真正的使用了。首先，咱們將快速地建立程序，而後分段來解釋咱們作了什麼。

 

簡單流程

 

首先，建立一個face_detector.py文件同時複製下面的代碼：

# import librariesimport cv2import face_recognition# Get a reference to webcam video_capture = cv2.VideoCapture("/dev/video1")# Initialize variablesface_locations = []while True:
 # Grab a single frame of video
 ret, frame = video_capture.read()
 # Convert the image from BGR color (which OpenCV uses) to RGB color (which face_recognition uses)
 rgb_frame = frame[:, :, ::-1]
 # Find all the faces in the current frame of video
 face_locations = face_recognition.face_locations(rgb_frame)
 # Display the results
 for top, right, bottom, left in face_locations:
 # Draw a box around the face
 cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
 # Display the resulting image
 cv2.imshow('Video', frame)
 # Hit 'q' on the keyboard to quit!
 if cv2.waitKey(1) & 0xFF == ord('q'):
 break# Release handle to the webcamvideo_capture.release()cv2.destroyAllWindows()

而後，用以下命令執行這個Python文件：

python face_detector.py

若是一切運行正確，會彈出一個新窗口，以運行實時的人臉識別。

 

 

 

 

總結一下，以上的代碼作了這些：

• 首先，咱們配置了運行影像分析的硬件。
• 接下來咱們逐幀地捕捉實時影像。
• 而後咱們處理每一幀而且提取圖像中全部人臉的位置。
• 最後，咱們以視頻形式描繪出這些幀，同時標註人臉的位置。

 

這很簡單，不是嗎？ 若是你想深刻了解更多細節，我已經對各代碼段作了詳盡註解。你能夠隨時回顧咱們作了什麼。

 

人臉識別案例

 

有趣的事情並無結束！咱們還能作一件很酷的事情 —— 結合以上代碼實現一個完整的案例。而且不須要從零開始，咱們僅僅須要對代碼作一些小的改動。

例如，你想搭建一個自動的攝像頭定位系統，來實時跟蹤演講者的位置。根據他的位置，系統會轉動攝像頭使得演講者老是處於視頻的中間。

咱們怎麼作到這一點？第一步就是要搭建一個可辨識視頻中人（們）的系統，而且重點放在演講者的位置。

 

 

 

 

讓咱們來看一下如何才能實現這個案例。本文將以一個Youtube上的影片爲例，視頻記錄了一個演講者在2017年數據黑客峯會（DataHack Summit 2017）上的演講。

首先，咱們引入必要的代碼庫：

import cv2
import face_recognition

而後，讀入影片並獲得影片長度：

input_movie = cv2.VideoCapture("sample_video.mp4")
length = int(input_movie.get(cv2.CAP_PROP_FRAME_COUNT))

隨後咱們新建一個輸出文件，使其擁有和輸入文件類似的分辨率和幀頻。

載入演講者的一個影像樣本，來識別視頻中的主角：

image = face_recognition.load_image_file("sample_image.jpeg")
face_encoding = face_recognition.face_encodings(image)[0]
known_faces = [
face_encoding,
]

作完這些，如今咱們能夠執行一個循環來完成以下步驟：

• 從影片中提取一幀影像
• 找到全部的人臉並完成識別
• 新建一個影片，來將源幀圖像和標註演講者臉部的位置合併起來

 

讓咱們看看這部分代碼：

# Initialize variablesface_locations = []face_encodings = []face_names = []frame_number = 0while True:
 # Grab a single frame of video
 ret, frame = input_movie.read()
 frame_number += 1
 # Quit when the input video file ends
 if not ret:
 break
 # Convert the image from BGR color (which OpenCV uses) to RGB color (which face_recognition uses)
 rgb_frame = frame[:, :, ::-1]
 # Find all the faces and face encodings in the current frame of video
 face_locations = face_recognition.face_locations(rgb_frame, model="cnn")
 face_encodings = face_recognition.face_encodings(rgb_frame, face_locations)
 face_names = []
 for face_encoding in face_encodings:
 # See if the face is a match for the known face(s)
 match = face_recognition.compare_faces(known_faces, face_encoding, tolerance=0.50)
 name = None
 if match[0]:
 name = "Phani Srikant"
 face_names.append(name)
 # Label the results
 for (top, right, bottom, left), name in zip(face_locations, face_names):
 if not name:
 continue
 # Draw a box around the face
 cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
 # Draw a label with a name below the face
 cv2.rectangle(frame, (left, bottom - 25), (right, bottom), (0, 0, 255), cv2.FILLED)
 font = cv2.FONT_HERSHEY_DUPLEX
 cv2.putText(frame, name, (left + 6, bottom - 6), font, 0.5, (255, 255, 255), 1)
 # Write the resulting image to the output video file
 print("Writing frame {} / {}".format(frame_number, length))
 output_movie.write(frame)# All done!input_movie.release()cv2.destroyAllWindows()

這段代碼將輸出以下相似的結果：

 

 

 

 

人臉識別真的是一件了不得的事情！

 

總結

 

恭喜！你如今已經掌握瞭如何爲一些現實場景搭建人臉識別系統。深度學習是一個如此使人着迷的領域，而我很是期待看到它將來的發展。

在這篇文章中，咱們學習瞭如何在真實情境中運用開源工具來構建實時人臉識別系統。我但願你能創造更多相似的應用，而且本身嘗試更多的案例。相信我，還有不少東西要學習，而他們真的很趣！

一如既往，若是你有任何問題或建議儘管在下面的留言部分提出來吧！

 

原文標題：

Building a Face Detection Model from Video using Deep Learning (Python Implementation)

原文連接：

https://www.analyticsvidhya.com/blog/2018/12/introduction-face-detection-video-deep-learning-python/