CentOS下-Python-人脸识别-DLib的使用

1. 人脸识别的流程原理

#  人脸识别的原理
本质上是获取人脸图像的特征点位(向量), 将多张图像直接的特征点位进行欧式距离计算, 设定阈值范围, 小于这个范围认同是一个人,否则不是 


# Dlib 人脸识别的思路梳理:
    1. 准备人脸识别的训练数据和特征检测数据
    2. 分别获取已有图片和被检测图片的人脸特征向量
    3. 计算它们之间的欧式距离
    4. 判断阈值
    
    准备已有图片 和 被检测图片的素材

1.准备工作

需要提前准备人脸5特征点检测器数据和 人脸识别模型数据, 具体数据见底部链接

shape_predictor_5_face_landmarks.dat
shape_predictor_68_face_landmarks.dat
dlib_face_recognition_resnet_model_v1.dat

2. 识别类创建

import os
import cv2
import numpy
import dlib


class FaceRecogination(object):
    def __init__(self):
        # 1. 创建 Dlib 的正向人脸检测器
        self.detector = dlib.get_frontal_face_detector()

        # 2. 创建 Dlib 的人脸5特征点检测器
        self.predictor = dlib.shape_predictor("api/utils/data_dlib/shape_predictor_5_face_landmarks.dat")

        # 3. 导入 Dlib 预先学习的人脸识别模型
        self.face_rec = dlib.face_recognition_model_v1("api/utils/data_dlib/dlib_face_recognition_resnet_model_v1.dat")

    # 根据 参数(图片路径) 返回单张人脸图像的128D特征
    def get_face_128d_features(self, image_path):
        """
        根据上传的图片 识别单张人脸 的 128D特征
        :param image_path:  图片路径
        :return:  "-0.0123421 0.087358 ... 0.087349 0.045566"
        """

        # 1.采用 opencv 读取图片中的数据
        img_read = cv2.imdecode(numpy.fromfile(image_path, dtype=numpy.uint8), -1)

        # 2.由于 opencv 读取图片色值默认为 bgr 顺序，这里采用 opencv 的 cvtColor 把图片改为rgb顺序图
        img_gray = cv2.cvtColor(img_read, cv2.COLOR_BGR2RGB)

        # 3.采用 Dlib 的正向人脸检测器 预先检测人脸情况并存入 faces 列表
        faces_list = self.detector(img_gray, 1)

        # 4. 根据 faces_list的长度判断 是否是人脸, 是1个, 还是多个
        if len(faces_list) == 0:
            # 检测不到人脸 删除图片
            os.remove(image_path)
            return 0

        if len(faces_list) > 1:
            # 检测人脸数大于2 删除图片
            os.remove(image_path)
            return 1

        if len(faces_list) == 1:
            # 如果人脸数为 1
            # 5. 采用 Dlib 的人脸5特征点检测器
            shape = self.predictor(img_gray, faces_list[0])

            # 6.生成单张人脸图像的128D特征
            face_128d_f = self.face_rec.compute_face_descriptor(img_gray, shape)

            return face_128d_f

3. 计算 特征点位之间的欧式距离

    def compare_euclidean_distance(self, save_photo_features, not_detected_features):
        """
        计算欧式距离
        :param save_photo_features:  已有图片的特征向量
        :param not_detected_features:  未检测的图片特征向量
        :return: bool  True 通过， False 未通过
        """
        distance = np.linalg.norm(save_photo_features-not_detected_features)
        standard = 0.6  # 阈值范围在LFW数据集的设置是0.6 精准度99.38%, 建议亚洲设定低一些
        return distance <= standard

4. 测试

4.1 准备测试图片

4.2 分别计算3张图片的特征向量--再把后2张的特征向量和第一张计算欧氏距离

    face_rec_obj = FaceRecogination()
    tou_128D = face_rec_obj.get_face_128d_features('./tou.jpg')
    print(list(tou_128D))

    tou2_128D = face_rec_obj.get_face_128d_features('./tou2.jpg')
    print(list(tou2_128D))

    tou3_128D = face_rec_obj.get_face_128d_features('./tou3.jpg')
    print(list(tou3_128D))

    print(face_rec_obj.compare_euclidean_distance(np.array(list(tou_128D)), np.array(list(tou2_128D))))
    # True 识别通过
    
    print(face_rec_obj.compare_euclidean_distance(np.array(list(tou_128D)), np.array(list(tou3_128D))))
    # False 识别不通过

数据下载地址

链接：https://pan.baidu.com/s/1a1fWBLpFMkMtceiqP-_u6Q?pwd=btg4
提取码：btg4