【深度有趣 14】 Dlib快速上手-续

朴灿烈づ我的快乐病毒、 2022-02-20 08:59 173阅读 0赞

# 人脸比对 #

其实就是将两张人脸的特征之间的相对位置进行计算，然后根据欧几里得距离来判断是不是同一个人。

# -*- coding: utf-8 -*-
    
    import dlib
    from imageio import imread
    import glob
    import numpy as np
    
    detector = dlib.get_frontal_face_detector()
    predictor_path = 'shape_predictor_68_face_landmarks.dat'
    predictor = dlib.shape_predictor(predictor_path)
    
    face_rec_model_path = 'dlib_face_recognition_resnet_model_v1.dat' # 人脸比对的模型
    facerec = dlib.face_recognition_model_v1(face_rec_model_path)
    
    labeled = glob.glob('labeled/*.jpg')
    labeled_data = {}
    unlabeled = glob.glob('unlabeled/*.jpg')
    
    # 定义一个计算Euclidean距离的函数
    def distance(a, b):
        return np.linalg.norm(np.array(a) - np.array(b), ord=2)
    
    # 读取标注图片并保存对应的128向量
    for path in labeled:
        img = imread(path)
        name = path.split('\\')[1].rstrip('.jpg')
        dets = detector(img, 1)
    
        # 这里假设每张图只有一个人脸
        shape = predictor(img, dets[0])
        face_vector = facerec.compute_face_descriptor(img, shape)
        labeled_data[name] = face_vector
    
    # 读取未标注图片，并和标注图片进行对比
    print('未标注的图片的匹配结果：')
    for path in unlabeled:
        img = imread(path)
        
        name = path.split('\\')[1].rstrip('.jpg')
        dets = detector(img, 1)
        # 这里假设每张图只有一个人脸
        shape = predictor(img, dets[0])
        face_vector = facerec.compute_face_descriptor(img, shape)
        matches = []
    
        for key, value in labeled_data.items():
            d = distance(face_vector, value)
            #if d < 0.6:
                # matches.append(key + ':%.2f' % d) 
            matches.append(key + ':%.2f' % d)    
        print('{}：\n{}'.format(name, '; '.join(matches)))

labeled目录下存放的是白百何和王珞丹的各4张图片作为标记图片

unlabeled目录下存放的是几张验证的图片

运行效果

> 未标注的图片的匹配结果：  
> 1(白百合)：  
> 王珞丹1:0.46; 王珞丹2:0.41; 王珞丹3:0.43; 王珞丹4:0.48; 白百合1:0.40; 白百合2:0.39; 白百合3:0.38; 白百合4:0.43  
> 1高圆圆：  
> 王珞丹1:0.49; 王珞丹2:0.48; 王珞丹3:0.54; 王珞丹4:0.61; 白百合1:0.45; 白百合2:0.53; 白百合3:0.53; 白百合4:0.55  
> 2(白百合)：  
> 王珞丹1:0.36; 王珞丹2:0.41; 王珞丹3:0.39; 王珞丹4:0.47; 白百合1:0.35; 白百合2:0.41; 白百合3:0.41; 白百合4:0.46  
> 2高圆圆：  
> 王珞丹1:0.52; 王珞丹2:0.54; 王珞丹3:0.52; 王珞丹4:0.60; 白百合1:0.53; 白百合2:0.55; 白百合3:0.55; 白百合4:0.51  
> 3(王珞丹)：  
> 王珞丹1:0.41; 王珞丹2:0.43; 王珞丹3:0.41; 王珞丹4:0.45; 白百合1:0.53; 白百合2:0.51; 白百合3:0.50; 白百合4:0.51  
> 4(王珞丹)：  
> 王珞丹1:0.41; 王珞丹2:0.44; 王珞丹3:0.37; 王珞丹4:0.44; 白百合1:0.52; 白百合2:0.47; 白百合3:0.43; 白百合4:0.44  
> 7高圆圆：  
> 王珞丹1:0.53; 王珞丹2:0.53; 王珞丹3:0.48; 王珞丹4:0.56; 白百合1:0.54; 白百合2:0.49; 白百合3:0.57; 白百合4:0.51  
> mei：  
> 王珞丹1:0.75; 王珞丹2:0.75; 王珞丹3:0.68; 王珞丹4:0.74; 白百合1:0.67; 白百合2:0.65; 白百合3:0.66; 白百合4:0.64

分数越低，说明两者越相似。可以看出，白百合，王珞丹确实很相似。

还需要注意一点：如果原作者的程序报错

>  name = path.split('/')\[1\].rstrip('.jpg')  
> IndexError: list index out of range

试试将‘ name = path.split('/')\[1\].rstrip('.jpg')’改成‘ name = path.split('\\\\')\[1\].rstrip('.jpg')’

# 人脸聚类 #

对于大量的图片中人脸，基于以上人脸识别就行聚类，将距离较近的人脸聚为一类，即有可能是同一个人。

下面是代码实现，具体的看注释

#-*-coding UTF-GBK -*-
    import glob
    from imageio import imread
    import dlib
    import os
    from collections import Counter
    
    # 模型
    detector = dlib.get_frontal_face_detector()
    predictor_path = 'shape_predictor_68_face_landmarks.dat'
    predictor = dlib.shape_predictor(predictor_path)
    
    face_rec_model_path = 'dlib_face_recognition_resnet_model_v1.dat'
    facerec = dlib.face_recognition_model_v1(face_rec_model_path)
    
    paths = glob.glob('yuanyuan/*.jpg')
    
    # 获取所有的人脸 及 向量表示
    vector=[]
    images=[]
    for path in paths:
        img = imread(path)
        dets = detector(img,1)
    
        for i, d in enumerate(dets):
            shape = predictor(img,d)
            face_vector = facerec.compute_face_descriptor(img,shape)
    
            vector.append(face_vector)
            images.append((img,shape))
    
    # 以0.5为阈值，进行聚类
    labels = dlib.chinese_whispers_clustering(vector,0.4)
    num_classes = len(set(labels))
    print('共聚为 %d 类'%num_classes)
    biggest_class = Counter(labels).most_common(1)
    print(biggest_class)
    
    #
    output_dir = 'most_common'
    if not os.path.exists(output_dir):
        os.mkdir(output_dir)
    face_id = 1
    for i in range(len(images)):
        if labels[i] == biggest_class[0][0]:
            img,shape = images[i]
            dlib.save_face_chip(img,shape,output_dir + '/face_%d' % face_id,size=150,padding=0.25)
            face_id+=1

在yuanyuan文件夹内，我搜集了一些高圆圆的照片，下面的检测结果

![20190413102257383.png][]

有几个误检，降低阈值，可以有所改善。

# 物体追踪 #

物体追踪是指，对于视频文件，在第一帧指定一个矩形区域，对于后续帧自动追踪和更新区域的位置。

看下面的代码

#-*- coding: utf-8 -*-
    
    import dlib
    import glob
    from imageio import imread
    import time
    
    # 图片
    tractor = dlib.correlation_tracker()
    win = dlib.image_window()
    paths = sorted(glob.glob('frames/*.png'))
    
    #追踪
    for i ,path in enumerate(paths):
        img = imread(path)
        # 对第一帧进行标注
        if i ==0:
            tractor.start_track(img,dlib.rectangle(195,110,465,200))
    
        
        else:
            tractor.update(img)
    
        win.clear_overlay()
        win.set_image(img)
        win.add_overlay(tractor.get_position())
        time.sleep(0.2)

用刚刚裁剪的一段视频做了一下实验，效果还不错。

事关导师项目，就不贴出来了。

Dlib很强，感谢大牛：[https://zhuanlan.zhihu.com/p/44169338][https_zhuanlan.zhihu.com_p_44169338]

[20190413102257383.png]: /images/20220220/f164adb5fd2b4903b0a5bc36a091dcc1.png
[https_zhuanlan.zhihu.com_p_44169338]: https://zhuanlan.zhihu.com/p/44169338