| Python 使用 face | 您所在的位置：网站首页 › picture.jpg › Python 使用 face |
Python 使用 face
|
Python 使用 face_recognition 人脸识别
官方说明：https://face-recognition.readthedocs.io/en/latest/readme.html 人脸识别face_recognition 是世界上最简单的人脸识别库。 使用 dlib 最先进的人脸识别功能构建建立深度学习，该模型准确率在99.38%。 Python模块的使用Python可以安装导入 face_recognition 模块轻松操作，对于简单的几行代码来讲，再简单不过了。 Python操作 face_recognition API 文档：https://face-recognition.readthedocs.io/en/latest/face_recognition.html 自动查找图片中的所有面部 import face_recognition image = face_recognition.load_image_file("my_picture.jpg") face_locations = face_recognition.face_locations(image) # face_locations is now an array listing the co-ordinates of each face!还可以选择更准确的给予深度学习的人脸检测模型 import face_recognition image = face_recognition.load_image_file("my_picture.jpg") face_locations = face_recognition.face_locations(image, model="cnn") # face_locations is now an array listing the co-ordinates of each face! 自动定位图像中人物的面部特征 import face_recognition image = face_recognition.load_image_file("my_picture.jpg") face_landmarks_list = face_recognition.face_landmarks(image) # face_landmarks_list is now an array with the locations of each facial feature in each face. # face_landmarks_list[0]['left_eye'] would be the location and outline of the first person's left eye. 识别图像中的面部并识别它们是谁 import face_recognition picture_of_me = face_recognition.load_image_file("me.jpg") my_face_encoding = face_recognition.face_encodings(picture_of_me)[0] # my_face_encoding now contains a universal 'encoding' of my facial features that can be compared to any other picture of a face! unknown_picture = face_recognition.load_image_file("unknown.jpg") unknown_face_encoding = face_recognition.face_encodings(unknown_picture)[0] # Now we can see the two face encodings are of the same person with `compare_faces`! results = face_recognition.compare_faces([my_face_encoding], unknown_face_encoding) if results[0] == True: print("It's a picture of me!") else: print("It's not a picture of me!") face_recognition 用法 要在项目中使用面部识别，首先导入面部识别库，没有则安装： import face_recognition 基本思路是首先加載圖片： # 导入人脸识别库 import face_recognition # 加载图片 image = face_recognition.load_image_file("1.jpg")上面这一步会将图像加载到 numpy 数组中，如果已经有一个 numpy 数组图像则可以跳过此步骤。 然后对图片进行操作，例如找出面部、识别面部特征、查找面部编码：例如对此照片进行操作 可以将面部编码相互比较以查看面部是否匹配，注意：查找面部编码有点慢，因此如果在以后还需对次图片进行面部分析参考，建议将每个图片的结果存留缓存或存储进数据库。 一旦得到面部编码，便可以比较他们 # results is an array of True/False telling if the unknown face matched anyone in the known_faces array results = face_recognition.compare_faces(known_face_encodings, a_single_unknown_face_encoding)就是这么简单！ face_recognition 模块内容 batch_face_locations 使用CNN人脸检测器返回图像中人脸边界框的二维数组 face_recognition.batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)使用CNN人脸检测器返回图像中人脸边界框的二维数组 如果您使用的是GPU，这可以提供更快的结果，因为GPU 可以一次处理一批图像。如果你不使用GPU，你就不需要这个功能。 ：param img：图像列表（每个图像都是一个numpy数组） ：param number_of_times_to_upsample：要对图像进行多少次upsample以查找面。数字越大，面越小。 ：param batch_size：每个GPU处理批中要包含多少图像。 ：return：按css（上、右、下、左）顺序找到的面位置的元组列表 compare_faces 将人脸编码列表与候选编码进行比较，看它们是否匹配。 face_recognition.compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)将人脸编码列表与候选编码进行比较，看它们是否匹配。 ：param known_face_encodings：已知人脸编码列表 ：param face_encoding_to_check：要与列表进行比较的单个面编码 ：param tolerance：面与面之间的距离应视为匹配。越低越严格。0.6是典型的最佳性能。 ：return：一个true/false值列表，指示要检查的已知面部编码与面部编码匹配。 face_distance 给定面部编码列表，将它们与已知的面部编码进行比较，并获得每个比较面部的欧氏距离。距离告诉您脸部的相似程度。 face_recognition.face_distance(face_encodings, face_to_compare)给定面部编码列表，将它们与已知的面部编码进行比较，并获得每个比较面部的欧氏距离。距离告诉您脸部的相似程度。 ：param faces：要比较的面编码列表 ：param face_to_compare：要与之比较的人脸编码 ：返回：一个numpy ndarray，每个面的距离与“faces”数组的顺序相同。 face_encodings 给定的图像，返回的128维编码每个脸对脸的形象。face_recognition.face_encodings(face_image, known_face_locations=None, num_jitters=1) 给定的图像，返回的128维编码每个脸对脸的形象。 参数：face_image：图像是包含一个或多个面 参数：known_face_locations：可选的如果您已经知道每个面的边界框。 参数：num_jitters：计算编码时重新采样面的次数。更高更准确，但更慢（即100慢100倍） 参数：return：128维面部编码列表（图像中每个面部一个） face_landmarks 给定图像，返回图像中每个面部的面部特征位置（眼睛，鼻子等）的字典。face_recognition.face_landmarks（face_image，face_locations = None，model ='large' ） 给定图像，返回图像中每个面部的面部特征位置（眼睛，鼻子等）的字典。 face_image - 要搜索的图像 face_locations - 可选择提供要检查的面部位置列表。 model - 可选 - 要使用的模型。“大”（默认）或“小”，只返回5分但速度更快。 return：面部特征位置（眼睛，鼻子等）的序列表 face_locations 返回图像中人脸边界框的数组。face_recognition.face_locations（img，number_of_times_to_upsample = 1，model ='hog' ） 返回图像中人脸边界框的数组。 img - 一个图像（作为一个numpy数组） number_of_times_to_upsample - 对图像进行上采样以查找面部的次数。数字越大，面部越小。 model - 使用哪种人脸检测模型。“hog”不太准确，但在CPU上更快。“cnn”是一种更准确的深度学习模型，它是GPU / CUDA加速（如果可用）。默认为“hog”。 return：css（顶部，右侧，底部，左侧）顺序中找到的面部位置的元组列表 load_image_file 将图像文件（.jpg，.png等）加载到numpy数组中。face_recognition.load_image_file（file，mode ='RGB' ) 将图像文件（.jpg，.png等）加载到numpy数组中。 file - 要加载的图像文件名或文件对象 mode - 将图像转换为的格式。仅支持“RGB”（8位RGB，3个通道）和“L”（黑色和白色） return：图像内容为numpy数组。
完成！
|
【本文地址】