2020-07-25

9 分钟读完 (大约 1355 个字)

AI应用02_face-recognition学习

开源人脸识别项目face_recognition学习

在图片中识别人脸

1	face_locations=face_recognition.face_locations(image)

如果你正在为同一个人获得多个比较，那可能就是这样您的照片中的人看起来非常相似，容差值较低需要使脸部比较更严格。
你可以用–tolerance参数来做到这一点。默认容差值为0.6，较低的数字使脸部比较更严格

找到并操作图片中的脸部特征

获得图片中人类眼睛、鼻子、嘴、下巴的位置和轮廓：

1	face_landmarks_list = face_recognition.face_landmarks(image)

鉴定图片中的脸

识别图片中的人是谁

1
2
3

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)

一旦你有面孔的编码，你可以像这样比较：

1 2	#results是一个True / False数组，表示未知的面部与known_faces数组中的任何人匹配 results = face_recognition.compare_faces(known_face_encodings, a_single_unknown_face_encoding)

batch_face_locations(GPU加速,略)

compare_faces

1	face_recognition.api.compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)

将候选编码的面部编码列表进行比较，以查看它们是否匹配。

参数：

1
2
3

known_face_encodings - 已知面部编码的列表
face_encoding_to_check - 与已知面部编码的列表进行比较的单面编码
tolerance - 面孔之间的距离要考虑多少。越小越严格， 0.6是典型的最佳性能。

1	一个True / False值的列表，指出哪个known_face_encodings匹配要检查的面部编码

face_distance

1	face_recognition.api.face_distance(face_encodings, face_to_compare)

给出面部编码列表，将其与已知的面部编码进行比较，并为每个比较的人脸获得欧几里得距离。距离告诉你面孔是如何相似的。
参数：

1 2	face_encodings - 要比较的面部编码列表 face_to_compare - 要比较的面部编码

1	一个numpy ndarray，每个面的距离与“faces”数组的顺序相同

face_recognition.api.face_encodings(face_image, known_face_locations=None, num_jitters=1)
源码

给定图像，返回图像中每个面部的128维面部编码。

参数：
face_image - 包含一个或多个面的图像
known_face_locations - 可选 - 如果您已经知道它们，每个面的边框。
num_jitters - 计算编码时重新采样多少次。更高更准确，但更慢（即100是100倍慢）
返回：
128个面部编码的列表（图像中的每个脸部一个）

face_recognition.api.face_landmarks(face_image, face_locations=None)
源码

给定图像，返回图像中每个脸部的脸部特征位置（眼睛，鼻子等）的指令

参数：
face_image - 要搜索的图像
face_locations - 可选地提供要检查的面部位置的列表。
返回：
面部特征位置（眼睛，鼻子等）的列表

face_locations

1	face_recognition.api.face_locations(img, number_of_times_to_upsample=1, model='hog')

返回图像中人脸的边框数组

参数：

1
2
3

img - 一个图像（作为一个numpy数组）
number_of_times_to_upsample - 用于对图像进行上采样的次数多少次。较高的数字找到较小的脸。
model - 要使用的面部检测模型。“hog”在CPU上不太准确，但速度更快。“cnn”是一个更准确的深入学习模式，GPU / CUDA加速（如果可用）。默认为“hog”。

1	一个可以在css（上，右，下，左）顺序中找到的表面位置的元组列表

load_image_file

1	face_recognition.api.load_image_file(file, mode='RGB')

将图像文件（.jpg，.png等）加载到numpy数组中

参数：

1 2	file - 要加载的图像文件名或文件对象 mode - 将图像转换为格式。只支持“RGB”（8位RGB，3声道）和“L”（黑白）。

1	图像内容为numpy数组

识别图像中出现的人脸

import face_recognition
known_image = face_recognition.load_image_file(“biden.jpg”)
unknown_imag = face_recognition.load_image_file(“unknown.jpg”)
#获取每个图像文件中每个面部的面部编码
#由于每个图像中可能有多个人脸，所以返回一个编码列表。
#但是事先知道每个图像只有一个人脸，每个图像中的第一个编码，取索引0。
Biden_encoding =face_recognition.face_encodings(known_image)[0]
Unknown_encoding=face_recognition.face_encodings(unknown_image)[0]
#如果图像中有多个人脸 获取图像中多个人脸编码
face_locations = face_recognition.face_locations(unknow_image)
face_encodings = face_recognition.face_encodings(unknown_image, face_locations)
#结果是True/false的数组，未知面孔known_faces阵列中的任何人相匹配的结果 
#[true, false,false]
Results=face_recognition.compare_faces([biden_encoding],unknown_encoding)
#结果是True/false的数组，未知面孔known_faces阵列中的任何人相匹配的结果 设定比对结果的阀值
#[true, false,false]
match = face_recognition.compare_faces(known_faces, face_encoding, tolerance=0.50)

参考

[face_recognition中文文档] 第1节人脸识别：https://www.jianshu.com/p/4dd131567015
[face_recognition中文文档] 第3节用法：https://www.jianshu.com/p/20d81cc779f6
[face_recognition中文文档] 第4节 Face Recognition API：https://www.jianshu.com/p/a0e61f5fd570
Python人脸识别第三方库face_recognition接口说明文档：https://www.jb51.net/article/160623.htm

本文标题：AI应用02_face-recognition学习
本文作者：yuanjh
本文链接：https://hexo.yuanjh.cn/hexo/fbf9803d/
发布时间：2020-07-25
版权声明：本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明出处！

# 08领域技术/AI应用和opencv/AI应用