jing_105

　　很多人都认为人脸识别是一项非常难以实现的工作，看到名字就害怕，然后心怀忐忑到网上一搜，看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理，只是要实现这一工作的话，人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。

　　一点区分

　　对于大部分人来说，区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有无无意地把人脸检测说成是人脸识别，误导群众，造成一些人认为二者是相同的。其实，人脸检测解决的问题是确定一张图上有木有人脸，而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。今天我们要做的是人脸识别。

　　所用工具

　　Anaconda 2——Python 2

　　Dlib

　　scikit-image

　　Dlib

　　对于今天要用到的主要工具，还是有必要多说几句的。Dlib是基于现代C++的一个跨平台通用的框架，作者非常勤奋，一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等，涉猎甚广。更重要的是，Dlib的文档非常完善，例子非常丰富。就像很多库一样，Dlib也提供了Python的接口，安装非常简单，用pip只需要一句即可：

　　pip install dlib

　　上面需要用到的scikit-image同样只是需要这么一句：

　　pip install scikit-image

　　注：如果用pip install dlib安装失败的话，那安装起来就比较麻烦了。错误提示很详细，按照错误提示一步步走就行了。

　　人脸识别

　　之所以用Dlib来实现人脸识别，是因为它已经替我们做好了绝大部分的工作，我们只需要去调用就行了。Dlib里面有人脸检测器，有训练好的人脸关键点检测器，也有训练好的人脸识别模型。今天我们主要目的是实现，而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。今天的例子既然代码不超过40行，其实是没啥难度的。有难度的东西都在源码和论文里。

　　首先先通过文件树看一下今天需要用到的东西：

　　这里写图片描述

　　准备了六个候选人的图片放在candidate-faces文件夹中，然后需要识别的人脸图片test.jpg。我们的工作就是要检测到test.jpg中的人脸，然后判断她到底是候选人中的谁。另外的girl-face-rec.py是我们的python脚本。shape_predictor_68_face_landmarks.dat是已经训练好的人脸关键点检测器。dlib_face_recognition_resnet_model_v1.dat是训练好的ResNet人脸识别模型。ResNet是何凯明在微软的时候提出的深度残差网络，获得了ImageNet 2015冠军，通过让网络对残差进行学习，在深度和精度上做到了比

　　CNN更加强大。

　　1.前期准备

　　shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat都可以在这里找到。不能点击超链接的可以直接输入以下网址：http://dlib.net/files/。

　　然后准备几个人的人脸图片作为候选人脸，最好是正脸。放到candidate-faces文件夹中。

　　本文这里准备的是六张图片，如下：

　　这里写图片描述

　　她们分别是

　　这里写图片描述

　　然后准备四张需要识别的人脸图像，其实一张就够了，这里只是要看看不同的情况：

　　这里写图片描述

　　可以看到前两张和候选文件中的本人看起来还是差别不小的，第三张是候选人中的原图，第四张图片微微侧脸，而且右侧有阴影。

　　2.识别流程

　　数据准备完毕，接下来就是代码了。识别的大致流程是这样的：

　　先对候选人进行人脸检测、关键点提取、描述子生成后，把候选人描述子保存起来。

　　然后对测试人脸进行人脸检测、关键点提取、描述子生成。

　　最后求测试图像人脸描述子和候选人脸描述子之间的欧氏距离，距离最小者判定为同一个人。

　　3.代码

　　代码不做过多解释，因为已经注释的非常完善了。以下是girl-face-rec.py

　　#-*-coding:UTF-8-*-

　　import sys,os,dlib,glob,numpy

　　from skimage import io

　　if len(sys.argv)!=5:

　　print"请检查参数是否正确"

　　exit()

　　#1.人脸关键点检测器

　　predictor_path=sys.argv[1]

　　#2.人脸识别模型

　　face_rec_model_path=sys.argv[2]

　　#3.候选人脸文件夹

　　faces_folder_path=sys.argv[3]

　　#4.需识别的人脸

　　img_path=sys.argv[4]

　　#1.加载正脸检测器

　　detector=dlib.get_frontal_face_detector()

　　#2.加载人脸关键点检测器

　　sp=dlib.shape_predictor(predictor_path)

　　#3.加载人脸识别模型

　　facerec=dlib.face_recognition_model_v1(face_rec_model_path)

　　#win=dlib.image_window()

　　#候选人脸描述子list

　　descriptors=[]

　　#对文件夹下的每一个人脸进行:

　　#1.人脸检测

　　#2.关键点检测

　　#3.描述子提取

　　for f in glob.glob(os.path.join(faces_folder_path,"*.jpg")):

　　print("Processing file:{www.yuyinyl.cn}".format(f)www.minrenc.cn)

　　img=io.imread(f)

　　#win.clear_overlay()

　　#win.set_image(img)

　　#1.人脸检测

　　dets=detector(img,1)

　　print("Number of faces detected:{}".format(len(dets)))

　　for k,d in enumerate(dets):

　　#2.关键点检测

　　shape=sp(img,d)

　　#画出人脸区域和和关键点

　　#win.clear_overlay()

　　#win.add_overlay(d)

　　#win.add_overlay(shape)

　　#3.描述子提取，128D向量

　　face_descriptor=facerec.compute_face_descriptor(img,shape)

　　#转换为numpy array

　　v=numpy.array(face_descriptor www.huarenyl.cn)

　　descriptors.append(v)

　　#对需识别人脸进行同样处理

　　#提取描述子，不再注释

　　img=io.imread(img_path)

　　dets=detector(img,1)

　　dist=[]

　　for k,d in enumerate(dets):

　　shape=sp(img,d)

　　face_descriptor=facerec.compute_face_descriptor(img,shape)

　　d_test=numpy.array(face_descriptor)

　　#计算欧式距离

　　for i in descriptors:

　　dist_=numpy.linalg.norm(i-d_test)

　　dist.append(dist_)

　　#候选人名单

　　candidate=['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']

　　#候选人和距离组成一个dict

　　c_d=dict(zip(candidate,dist))

　　cd_sorted=sorted(c_d.iteritems(),key=lambda d:d[1])

　　print"\n The person is:",cd_sorted[0][0]

　　dlib.hit_enter_to_continue()

　　4.运行结果

　　我们在.py所在的文件夹下打开命令行，运行如下命令

　　python girl-face-rec.py 1.dat 2.dat./www.duong.cn candidate-faecs test1.jpg

　　由于shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat名字实在太长，所以我把它们重命名为1.dat和2.dat。

　　运行结果如下：

　　The person is Bingbing。

　　记忆力不好的同学可以翻上去看看test1.jpg是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。

　　这里需要说明的是，前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人4。对比一下两张图片可以很容易发现混淆的原因。

　　机器毕竟不是人，机器的智能还需要人来提升。

　　有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张，然后对比和每个人距离的平均值之类的。全凭自己了。

8460

看看下

常熟纽约纽约

谢谢分享

jing_105