使用Python的人脸识别系统-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

介绍

人脸识别不同于人脸检测。在人脸检测中，我们只检测人脸的位置。在人脸识别任务中，我们识别人的身份。

在本文中，我们将使用python在人脸识别库的帮助下构建一个人脸识别系统。

市场上有许多人脸识别算法。这个计算机视觉挑战是从视频和图片中检测人脸。许多应用程序可以建立在识别系统上。许多大公司出于安全和认证目的使用身份识别系统。

识别系统用例

人脸识别系统在现代被广泛使用，许多新的创新系统都建立在识别系统之上。

有几个用例：

查找失踪人员识别社交媒体上的账户识别汽车中的驾驶员考勤系统

许多人脸识别算法取决于它们的性能和准确姓。

传统的人脸识别算法

传统的人脸识别算法不能满足现代人脸识别标准。它们被设计为使用旧的传统算法识别人脸。

OpenCV提供了一些传统的人脸识别算法。

这些方法在提取图像信息和匹配输入和输出图像的方式上不同。

LBPH算法是一种简单但非常有效的方法，目前仍在使用，但它比现代算法慢。

人脸识别深度学习

有许多基于深度学习的人脸识别算法可用。

DeepFaceDeepID系列系统FaceNetVGGFace

一般来说，基于地标的人脸识别器捕获人脸图像，并试图找到基本特征点，如眉毛.嘴角.眼睛.鼻子和嘴唇。这里有60多个地标。

人脸识别涉及的步骤

1.人脸检测：定位人脸，记录每个人脸位置的坐标，并在每个人脸周围绘制一个边界框。

2.面对齐。标准化面部以进行快速训练。

3.特征提取。从人脸图像中提取局部特征用于训练。不同的算法在此步骤中执行不同的操作。

4.人脸识别。将输入面与数据集中的一个或多个已知面进行匹配。

本文重点研究了使用基于深度学习技术的库face_recognition实现人脸识别，该库承诺使用单个训练图像，准确率超过96%。

使生效

使用python实现人脸识别系统。利用人脸识别库实现了基于深度学习的人脸识别系统。

1.设置人脸识别库：

为了安装人脸识别库，我们需要先安装dlib

·Dlib：它是一个现代C++工具包，包括与机器学习相关的算法和工具。

#安装dlib

pip安装dlib

·安装实际的人脸识别库。

＃安装人脸识别

pip安装人脸识别

·Opencv用于一些图像预处理

#安装opencv

pip安装opencv

注意：有时安装dlib会引发错误，在这种情况下，使用vs＿代码社区安装C++开发工具包。

导入库

导入cv2

将numpy导入为np

导入人脸识别

2.加载图片：

我们已经完成了库的安装和导入。是时候将一些示例图像加载到face_recognition库中了。

此face_recognition库仅支持BGR格式的图像。打印图像时，我们应该使用OpenCV将其转换为RGB。

Face_rerecognition仅加载BGR格式的图像。

导入cv2

将numpy导入为np

导入人脸识别

img＿bgr＝人脸＿识别.加载＿图像＿文件(‘学生＿图像／modi.jpg’)

img_rgb＝cv2.cvt颜涩(img_bgr，cv2.COLOR_BGR2RGB)

cv2.imshow(‘bgr’，img_bgr)

cv2.imshow(‘rgb’，img_rgb)

cv2.wait键

输出→ BGR和RGB

3.人脸检测

img_modi_rgb＝cv2.cvt颜涩(img_modi，cv2.COLOR_BGR2RGB)

＃—————————检测人脸—————————

面部＝面部识别。面部位置(img＿modi＿rgb)[0]

copy＝img＿modi＿rgb.copy()

＃———————-在面周围绘制边界框

cv2.矩形(副本，(面〔3〕，面〔0〕)，(面[1]，面〔2〕)，，(255,0255)，2)

cv2.imshow(“副本”，副本)

cv2.imshow(‘MODI’，img_MODI_rgb)

cv2.waitKey(0)

4.样本图像识别：

face_recognition库基于深度学习。它支持单一学习，这意味着它需要一张图片来训练自己检测一个人。

img＿modi＝人脸＿识别.加载＿图像＿文件(‘学生＿图像／modi.jpg’)

img_modi＝cv2.cvtColor(img_modi，cv2.COLOR_BGR2RGB)

＃————-查找面部位置

面部＝面部识别。面部位置(img＿modi)[0]

＃–将图像转换为编码

列车编码＝人脸识别。人脸编码(img＿modi)[0]

让我们测试一幅图像

test＝人脸识别加载图片文件(‘学生图片／modi2.jpg’)

test＝cv2.cvtColor(test，cv2.COLOR_BGR2RGB)

test＿encode＝face＿recognition。face＿编码(test)[0]

打印(面部识别。比较面部([训练编码]，测试编码))

cv2.矩形(img _modi，(面[3]，面[0])，(面[1]，面[2])，(255,0255)，1)

cv2.imshow(‘img_modi’，img_modi)

cv2.waitKey(0)

上面的代码拍摄了首相的两张照片。因为这两张图片都是同一个人，所以返回true。

面部识别。面编码(imgelon)[0]→ 返回传输图像的编码。

面部识别。compane_faces([train_encode]，test_encode)获得训练代码和未知图像的测试代码的列表。如果两个测试代码在训练代码中匹配，则返回True；否则，它将返回False

了解人脸识别的工作原理

1.我们把人们的照片和名字传给模特。

2.模型拍摄每张照片，将其转换为数字代码，存储在一个列表中，并将所有标签(人名)存储在另一个列表。

3.在预测阶段，当我们传输未知人物的图像时，识别模型会将该人物的图像转换为代码。

4.将未知人物的图像转换为代码后，它将根据距离参数尝试找到最相似的代码。与未知人员编码距离最小的代码将是最接近的匹配。

5.在获得最接近的匹配代码后，我们从列表中获得该代码的索引并使用该索引。我们找到了我们检测到的人的名字。

确定系统挑战

这些是识别系统面临的主要挑战，需要解决。

·姿势：识别系统很容易受到人体姿势的影响。面部识别系统将无法预测该人的面部是否不可见。

·照明：照明可以大大改变面部轮廓。人脸识别照片应在适当的照明条件下拍摄。

·面部表情：不同的面部表情会导致对同一个人形象的不同预测。

·低分辨率：低分辨率图像包含的信息较少，因此不适合人脸识别训练。

结论

本文讨论了如何利用python和单图像训练技术实现人脸识别系统。您还可以使用类似python Tkinter的GUI来设计基于GUI的考勤系统。我们看到了影响识别系统的挑战以及如何应对这些挑战。