Python调用dlib库实现人脸识别 — AI初学者快速体验人工智能实现 - 好文

一人脸识别基本概念

二工具和环境安装准备

1. 安装CMake

2. 安装dlib

3. 安装scikit-image

三人脸识别实践（人脸识别与比较）

1. 实验准备

2. 识别逻辑简述

3. 具体代码

4. 运行与结果

四人脸识别实践二（特征点描绘）

1. face_detector.py

2. face_landmark_detection.py

一人脸识别基本概念

基本概念先说明下，人脸检测解决的问题是确定一张图上有木有人脸，而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。下面要做的是人脸识别。

要实现人脸识别，人脸对齐（face
alignment）是基本的算法，目前主要的算法有ERT、SDM、LBF等，其中由于dlib开源库实现了ERT算法，效果不错，这里使用dlib，并通过python来实现。

用Dlib来实现人脸识别，它已经替我们做好了绝大部分的工作，我们只需要去调用就行了。Dlib里面有人脸检测器，有训练好的人脸关键点检测器，也有训练好的人脸识别模型。这里主要记录实现过程，不分析细节原理。可以到官网查看源码以及实现的参考文献。

具体算法后面有时间要研究下。

另，这篇文章推荐找来看看：浙大一篇毕业论文一种基于随机森林的实时人脸关键点定位实现.docx

二工具和环境安装准备

CMake

Dlib

scikit-image

以上是正确的安装流程。如果先安装Dlib，会报如下错误：（截取最后几行）：

1. 安装CMake

下载链接https://cmake.org/download/ <https://cmake.org/download/>

用的windows机器，直接双击安装，注意：安装完了一定要设置path变量中CMake的路径。

2. DLIB下载安装

（下载链接二解包后有全套说明手册再docs目录，推荐！！！）

下载链接一：https://github.com/davisking/dlib <https://github.com/davisking/dlib>

下载后保存：

或下载链接二：如下

执行 python setup.py install 成功。



3. 安装 scikit-image

pip install scikit-image

三人脸识别实践

1. 实验准备

所有需要的文件及目录如下：

所有文件都可以在以下网址下载：http://dlib.net/files/ <http://dlib.net/files/>
。然后准备几个人的人脸图片作为候选人脸，最好是正脸。放到girls文件夹中。

这里，shape_predictor_68_face_landmarks.dat是已经训练好的人脸关键点检测器。dlib_face_recognition_resnet_model_v1.dat是训练好的ResNet人脸识别模型。（说明：ResNet是何凯明在微软的时候提出的深度残差网络，获得了
ImageNet 2015 冠军，通过让网络对残差进行学习，在深度和精度上做到了比 CNN 更加强大。）

六个候选人特征图片放在girls文件夹中，然后需要识别的人脸图片test1.jpg、test2.jpg、test3.jpg、test4.jpg。下面工作就是检测到test*.jpg中的人脸，然后判断她到底是候选人中的谁。girl-face-rec.py是实现人脸识别的python脚本。

六个候选人特征如下：

四个待测试人脸如下：

2. 识别逻辑简述

以上数据准备完毕。识别的大致流程是这样的：

1）先对候选人进行人脸检测、关键点提取、描述子生成后，把候选人描述子保存起来。

2）然后对测试人脸进行人脸检测、关键点提取、描述子生成。

3）最后求测试图像人脸描述子和候选人脸描述子之间的欧氏距离，距离最小者判定为同一个人。

3. 具体代码
# -*- coding: UTF-8 -*- import sys,os,dlib,glob,numpy from skimage import io
if len(sys.argv) != 5: print('请检查参数是否正确') exit() # 1.人脸关键点检测器 predictor_path =
sys.argv[1] # 2.人脸识别模型 face_rec_model_path = sys.argv[2] # 3.候选人脸文件夹
faces_folder_path = sys.argv[3] # 4.需识别的人脸 img_path = sys.argv[4] # 1.加载正脸检测器
detector = dlib.get_frontal_face_detector() # 2.加载人脸关键点检测器 sp =
dlib.shape_predictor(predictor_path) # 3. 加载人脸识别模型 facerec =
dlib.face_recognition_model_v1(face_rec_model_path) # win = dlib.image_window()
# 候选人脸描述子list descriptors = [] # 对文件夹下的每一个人脸进行: # 1.人脸检测 # 2.关键点检测 # 3.描述子提取
for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")): print("Processing
file: {}".format(f)) img = io.imread(f) #win.clear_overlay()
#win.set_image(img) # 1.人脸检测 dets = detector(img, 1) print("Number of faces
detected: {}".format(len(dets))) for k, d in enumerate(dets): # 2.关键点检测 shape =
sp(img, d) # 画出人脸区域和和关键点 # win.clear_overlay() # win.add_overlay(d) #
win.add_overlay(shape) # 3.描述子提取，128D向量 face_descriptor =
facerec.compute_face_descriptor(img, shape) # 转换为numpy array v =
numpy.array(face_descriptor) descriptors.append(v) # 对需识别人脸进行同样处理 # 提取描述子，不再注释
img = io.imread(img_path) dets = detector(img, 1) dist = [] for k, d in
enumerate(dets): shape = sp(img, d) face_descriptor =
facerec.compute_face_descriptor(img, shape) d_test =
numpy.array(face_descriptor) # 计算欧式距离 for i in descriptors: dist_ =
numpy.linalg.norm(i-d_test) dist.append(dist_) # 候选人名单 candidate =
['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei'] #
候选人和距离组成一个dict c_d = dict(zip(candidate,dist)) cd_sorted = sorted(c_d.items(),
key=lambda d:d[1]) print('\n The person is: %s' % ( cd_sorted[0][0] ) )
dlib.hit_enter_to_continue()
4. 运行与结果

执行命令：python girl-face-rec.py
shape_predictor_68_face_landmarks.dat dlib_face_recognition_resnet_model_v1.dat ./girls test1.jpg

运行结果如下：（识别出test1.jpg 是girls5.jpg ... 前面三个都正确）

四人脸识别实践二

在官网上下载的包里有python的sample代码，介绍了如何使用dlib进行人脸识别。

下面实践两个：代码分析如下，具体分析见代码注释：
1. face_detetor.py
face_detetor.py 识别出图片文件中一张或多张人脸，并用矩形框框出标识出人脸；
## face_detetor.py import sys import dlib detector =
dlib.get_frontal_face_detector() win = dlib.image_window() for f in
sys.argv[1:]: print("Processing file: {}".format(f)) img =
dlib.load_rgb_image(f) # The 1 in the second argument indicates that we should
upsample the image # 1 time. This will make everything bigger and allow us to
detect more # faces. dets = detector(img, 1) print("Number of faces detected:
{}".format(len(dets))) for i, d in enumerate(dets): print("Detection {}: Left:
{} Top: {} Right: {} Bottom: {}".format( 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() # Finally, if you really want to you can ask the
detector to tell you the score # for each detection. The score is bigger for
more confident detections. # The third argument to run is an optional
adjustment to the detection threshold, # where a negative value will return
more detections and a positive value fewer. # Also, the idx tells you which of
the face sub-detectors matched. This can be # used to broadly identify faces in
different orientations. if (len(sys.argv[1:]) > 0): img =
dlib.load_rgb_image(sys.argv[1]) dets, scores, idx = detector.run(img, 1, -1)
for i, d in enumerate(dets): print("Detection {}, score: {},
face_type:{}".format( d, scores[i], idx[i]))注释与分析：
## face_detetor_1.py 比原来代码略有改动 import dlib from skimage import io #
使用特征提取器frontal_face_detector detector = dlib.get_frontal_face_detector() #
path是图片所在路径 path = "d:\\code\\python\\face\\pic" img = io.imread(path+"1.jpg")
# 特征提取器的实例化 dets = detector(img) print("人脸数：", len(dets)) # 输出人脸矩形的四个坐标点 for i,
d in enumerate(dets): print("第", i, "个人脸d的坐标：", "left:", d.left(), "right:",
d.right(), "top:", d.top(), "bottom:", d.bottom()) # 绘制图片 win =
dlib.image_window() # 清除覆盖 #win.clear_overlay() win.set_image(img) # 将生成的矩阵覆盖上
win.add_overlay(dets) # 保持图像 dlib.hit_enter_to_continue()
执行与结果：

1）python face_detector.py dlib-19.12\\examples\\faces\\2009_004587.jpg

2 ) python face_detector.py test1.jpg

3） python face_detector.py dlib-19.12\\examples\\faces\\bald_guys.jpg

2. face_landmark_detection.py

在face_detector.py的识别人脸基础上，识别出人脸部的具体特征部位：下巴轮廓、眉毛、眼睛、嘴巴，同样用标记标识出面部特征；
import sys import os import dlib import glob if len(sys.argv) != 3: print(
"Give the path to the trained shape predictor model as the first " "argument
and then the directory containing the facial images.\n" "For example, if you
are in the python_examples folder then " "execute this program by running:\n" "
./face_landmark_detection.py shape_predictor_68_face_landmarks.dat
../examples/faces\n" "You can download a trained facial shape predictor
from:\n" " http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2")
exit() predictor_path = sys.argv[1] faces_folder_path = sys.argv[2] # 图片所在路径
detector = dlib.get_frontal_face_detector() # 使用特征提取器frontal_face_detector
predictor = dlib.shape_predictor(predictor_path) # dlib的68点模型 win =
dlib.image_window() # 生成dlib的图像窗口 for f in
glob.glob(os.path.join(faces_folder_path, "*.jpg")): print("Processing file:
{}".format(f)) img = dlib.load_rgb_image(f) win.clear_overlay()
win.set_image(img) # Ask the detector to find the bounding boxes of each face.
The 1 in the # second argument indicates that we should upsample the image 1
time. This # will make everything bigger and allow us to detect more faces.
dets = detector(img, 1) # 特征提取器的实例化 print("Number of faces detected:
{}".format(len(dets))) for k, d in enumerate(dets): print("Detection {}: Left:
{} Top: {} Right: {} Bottom: {}".format( k, d.left(), d.top(), d.right(),
d.bottom())) # Get the landmarks/parts for the face in box d. shape =
predictor(img, d) # 利用预测器预测 print("Part 0: {}, Part 1: {}
...".format(shape.part(0), shape.part(1))) # Draw the face landmarks on the
screen. win.add_overlay(shape) # 绘制面部轮廓 win.add_overlay(dets) # 绘制矩阵轮廓
dlib.hit_enter_to_continue() # 保持图像
执行与结果：

1）python face_landmark_detection.py shape_predictor_68_face_landmarks.dat .

2）python face_landmark_detection.py shape_predictor_68_face_landmarks.dat
girls\\multigirls

热门工具换一换