『Python开发实战菜鸟教程』实战篇：一文带你了解人脸识别应用原理及手把手教学实现自己的人脸识别项目

比眉伴天荒 2023-01-22 14:50 48阅读 0赞

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70][]

**文章目录**

0x01：引子

0x02：环境搭建

0x03：开发实战

1.实现人脸检测标记

2.人脸特征点提取

3.人脸识别验证

0x04：后记

--------------------

> 开源GitHub地址--> [https://github.com/xiaosongshine/dlib\_face\_recognition][https_github.com_xiaosongshine_dlib_face_recognition]

**推荐补充阅读：[『Python开发实战菜鸟教程』工具篇：手把手教学使用VSCode开发Python][Python_VSCode_Python]**

# 0x01：引子 #

Dlib是一个深度学习开源工具，基于C++开发，也支持Python开发接口，功能类似于TensorFlow与PyTorch。但是由于Dlib对于人脸特征提取支持很好，有很多训练好的人脸特征提取模型供开发者使用，所以Dlib人脸识别开发很适合做人脸项目开发。

上面所说的人脸识别开发，主要是指人脸验证，就是输入两张人脸照片，系统会对比输出0或者1，代表判断是否是同一个人。一般的人脸识别开发可以简单分为**1.人脸特征建模**与**2.使用人脸特征模型进行验证**（其实还应包括人脸对齐等,这些也可以划分到1中）。使用Dlib进行开发时，我们直接可以使用训练好的人脸特征提取模型，主要的工作就变成了如何进行人脸的验证。

人脸的验证其实就是计算相似度，同一个人的相似度就会大，不同的人就会比较小。可以采用余弦相似度或者欧式距离来计算相似度。其中余弦相似度就是计算角度，欧式距离就是指平方差。都可以用来表示两个特征的相似度（距离）。

###  ###

# 0x02：环境搭建 #

安装可以参考我的这篇博客：[\[深度学习工具\]·极简安装Dlib人脸识别库][Dlib]，下面说一下需要注意的点:：

此博文针对Windows10安装，其他平台可以仿照这个步骤来安装

*  安装Miniconda

使用conda指令来安装Dlib库，使用Miniconda与Anaconda都可以，我习惯用Miniconda，简单占用内存小。  
推荐使用[清华源][Link 1]，下载安装，选择合适的平台版本。python==3.6

*  安装dlib  
    **注意一定要以管理员身份进入CMD，执行（如果是Linux Mac 就使用 sudo）**

conda install -c conda-forge dlib

*  需要imageio 库，可以使用下述命令安装

conda install imageio

# 0x03：开发实战 #

## **1.实现人脸检测标记** ##

face\_test.py

import dlib
    from imageio import imread
    import glob
    
    
    detector = dlib.get_frontal_face_detector()
    win = dlib.image_window()
    
    path = "f1.jpg"
    img = imread(path)
    dets = detector(img)
    print('检测到了 %d 个人脸' % len(dets))
    for i, d in enumerate(dets):
    	print('- %d：Left %d Top %d Right %d Bottom %d' % (i, d.left(), d.top(), d.right(), d.bottom()))
    
    win.clear_overlay()
    win.set_image(img)
    win.add_overlay(dets)
    dlib.hit_enter_to_continue()

代码很简单，通过imread读取照片，然后进行检测，输出结果为dets的list，有几张人脸就会有几个item， 每个item都有.left(), .top(), .right(), .bottom()四个元素，代表人脸框的四个边界位置。最后通过win.add\_overlay(dets)可以将标记的框显示在原图上。

*原始照片*

![原始照片][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 1]

*输出照片*

![输出照片][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 2]

其实我们就可以使用这个功能做一个简单的应用，用来检测图片或者视频中人脸的个数。

## **2.人脸特征点提取** ##

在实战1的基础上添加人脸特征提取功能。

import dlib
    from imageio import imread
    import glob
    
    
    detector = dlib.get_frontal_face_detector()
    win = dlib.image_window()
    
    predictor_path = 'shape_predictor_68_face_landmarks.dat'
    predictor = dlib.shape_predictor(predictor_path)
    
    path = "f2.jpg"
    img = imread(path)
    dets = detector(img)
    print('检测到了 %d 个人脸' % len(dets))
    
    
    for i, d in enumerate(dets):
    	print('- %d: Left %d Top %d Right %d Bottom %d' % (i, d.left(), d.top(), d.right(), d.bottom()))
    	shape = predictor(img, d)
    		# 第 0 个点和第 1 个点的坐标
    	print('Part 0: {}, Part 1: {}'.format(shape.part(0), shape.part(1)))
    win.clear_overlay()
    win.set_image(img)
    win.add_overlay(dets)
    win.add_overlay(shape)
    dlib.hit_enter_to_continue()

这段代码就是在test.py基础上加入了shape\_predictor功能，使之可以在检测出人脸基础上，找到人脸的68个特征点。反映在图中就是蓝色的线。

*原始图片*

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 3][]

*输出图片*

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70][]

注意运行这段代码需要这个文件predictor\_path = 'shape\_predictor\_68\_face\_landmarks.dat'，我会放在我的[github][https_github.com_xiaosongshine_dlib_face_recognition]中，方便大家下载使用。

## **3.人脸识别验证** ##

在第二步的基础上，我们再进一步，实现将人脸提取为特征向量，从而我们就可以对特征向量进行比对来实现人脸的验证，这里采用的是对比欧式距离的方法。

face\_recognition.py

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'
    facerec = dlib.face_recognition_model_v1(face_rec_model_path)
    
    
    def get_feature(path):
    	img = imread(path)
    	dets = detector(img)
    	print('检测到了 %d 个人脸' % len(dets))
    	# 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)
    	return(face_vector)
    
    def distance(a,b):
    	a,b = np.array(a), np.array(b)
    	sub = np.sum((a-b)**2)
    	add = (np.sum(a**2)+np.sum(b**2))/2.
    	return sub/add
    
    path_lists1 = ["f1.jpg","f2.jpg"]
    path_lists2 = ["赵丽颖照片.jpg","赵丽颖测试.jpg"]
    
    feature_lists1 = [get_feature(path) for path in path_lists1]
    feature_lists2 = [get_feature(path) for path in path_lists2]
    
    print("feature 1 shape",feature_lists1[0].shape)
    
    out1 = distance(feature_lists1[0],feature_lists1[1])
    out2 = distance(feature_lists2[0],feature_lists2[1])
    
    print("diff distance is",out1)
    print("same distance is",out2)
    
    out1 = distance(feature_lists1[0],feature_lists1[1])
    out2 = distance(feature_lists2[0],feature_lists2[1])

*输出结果*

检测到了 1 个人脸
    检测到了 1 个人脸
    检测到了 1 个人脸
    检测到了 1 个人脸
    
    feature 1 shape (128, 1)
    
    diff distance is 0.254767715912
    same distance is 0.0620976363391

我们可以看出，每张人脸都被提取为了128维的向量，我们可以理解为128维的坐标（xyz是三维，128维就是有128个轴组成），我们下面需要做的就是计算两个特征的距离，设定好合适的阈值，小于这个阈值则识别为同一个人。代码正确运行需要这个文件face\_rec\_model\_path = 'dlib\_face\_recognition\_resnet\_model\_v1.dat'，我已经放在自己的[github][https_github.com_xiaosongshine_dlib_face_recognition]中，方便大家使用。

我们从上面测试的结果可以看出，不同的距离为0.25，同一个人为0.06，阈值就可以先设置为其间的一个值。我这里先设置为0.09，这个阈值也是需要大量数据来计算的，选择的准则为使错误识别为最低。

下面我们把阈值设置为0.09，来测试系统能否区分出不同的人：在face\_recognition.py加入下面代码

def classifier(a,b,t = 0.09):
    	if(distance(a,b)<=t):
    		ret = True
    	else :
    		ret = False
    	return(ret)
    
    print("f1 is 赵丽颖",classifier(feature_lists1[0],feature_lists2[1]))
    print("f2 is 赵丽颖",classifier(feature_lists1[1],feature_lists2[1]))
    print("赵丽颖照片.jpg is 赵丽颖测试.jpg",classifier(feature_lists2[0],feature_lists2[1]))

对比图片组1：f1 vs 赵丽颖1

![原始照片][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 1]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 4][]

对比图片组2：f2 vs 赵丽颖1

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 3][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 4][]

对比图片组3：赵丽颖2 vs 赵丽颖1

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 5][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 4][]

*输出结果*

f1 is 赵丽颖 False
    f2 is 赵丽颖 False
    赵丽颖照片.jpg is 赵丽颖测试.jpg True

从上面可以看出，已基本满足对人脸区分的功能，如果如要实用化则需要继续调优阈值与代码，调优的准则就是选择合适的阈值使错误识别为最低。

#  #

# 0x04：总结 #

> 这篇文章带着大家了解人脸识别应用原理及手把手教学如何实现自己的人脸识别项目，如果想更深入了解人脸识别算法及应用，可以参阅笔者往期博文。
> 
> 下面是开源地址，完整代码及数据在上面，欢迎Star及Fork：
> 
> 项目GitHub地址--> [https://github.com/xiaosongshine/dlib\_face\_recognition][https_github.com_xiaosongshine_dlib_face_recognition]

这个博客对你有用的话欢迎收藏转发，也麻烦可爱又爱学的你能赏个赞，菜小宋更博不易，在这里谢过啦。

如果你想学习更多开发技巧与AI算法，欢迎搜索关注笔者公众号“简明AI”，和爱学习讨论的小伙伴一起交流学习。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70]: /images/20221020/940deb33ffaf4f83a7378e2acdbe9b26.png
[https_github.com_xiaosongshine_dlib_face_recognition]: https://github.com/xiaosongshine/dlib_face_recognition
[Python_VSCode_Python]: https://xiaosongshine.blog.csdn.net/article/details/117192463
[Dlib]: https://blog.csdn.net/xiaosongshine/article/details/86543836
[Link 1]: https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 1]: /images/20221020/760bbd25177a4ffbb470f3828e5a5335.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 2]: /images/20221020/1db85c5c4a2e46cbafde42c2c483caa9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 3]: /images/20221020/0ee566641b9544108ff8e9fc30a99003.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 4]: /images/20221020/0b7ece94c0954a5a8c75c9790b1b8b63.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9zb25nc2hpbmU_size_16_color_FFFFFF_t_70 5]: /images/20221020/1d6167be4225463eb9e276389cba0b92.png