Python开发之实现人脸识别技术源码

2018-03-23 11:12:56 4298浏览

现在的人脸识别技术已经得到了非常广泛的应用，支付领域、身份验证、美颜相机里都有它的应用。用iPhone的同学们应该对下面的功能比较熟悉。

iPhone的照片中有一个“人物”的功能，能够将照片里的人脸识别出来并分类，背后的原理也是人脸识别技术。

这篇文章主要介绍怎样用Python实现人脸检测。人脸检测是人脸识别的基础。人脸检测的目的是识别出照片里的人脸并定位面部特征点，人脸识别是在人脸检测的基础上进一步告诉你这个人是谁。

好了，介绍就到这里。接下来，开始准备我们的环境。

准备工作

本文的人脸检测基于dlib，dlib依赖Boost和cmake，所以首先需要安装这些包，以Ubuntu为例：

$sudoapt-getinstallbuild-essentialcmake
$sudoapt-getinstalllibgtk-3-dev
$sudoapt-getinstalllibboost-all-dev

我们的程序中还用到numpy，opencv，所以也需要安装这些库：

$pipinstallnumpy
$pipinstallscipy
$pipinstallopencv-python
$pipinstalldlib

人脸检测基于事先训练好的模型数据，从这里可以下到模型数据，dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2下载到本地路径后解压，记下解压后的文件路径，程序中会用到。

dlib的人脸特征点

上面下载的模型数据是用来估计人脸上68个特征点(x,y)的坐标位置，这68个坐标点的位置如下图所示：

我们的程序将包含两个步骤：

第一步，在照片中检测人脸的区域

第二部，在检测到的人脸区域中，进一步检测器官（眼睛、鼻子、嘴巴、下巴、眉毛）

人脸检测代码

我们先来定义几个工具函数：

defrect_to_bb(rect):
x=rect.left()
y=rect.top()
w=rect.right()-x
h=rect.bottom()-y
return(x,y,w,h)

这个函数里的rect是dlib脸部区域检测的输出。这里将rect转换成一个序列，序列的内容是矩形区域的边界信息。

defshape_to_np(shape,dtype="int"):
coords=np.zeros((68,2),dtype=dtype)
foriinrange(0,68):
coords[i]=(shape.part(i).x,shape.part(i).y)
returncoords

这个函数里的shape是dlib脸部特征检测的输出，一个shape里包含了前面说到的脸部特征的68个点。这个函数将shape转换成Numpyarray，为方便后续处理。

defresize(image,width=1200):
r=width*1.0/image.shape[1]
dim=(width,int(image.shape[0]*r))
resized=cv2.resize(image,dim,interpolation=cv2.INTER_AREA)
returnresized

这个函数里的image就是我们要检测的图片。在人脸检测程序的最后，我们会显示检测的结果图片来验证，这里做resize是为了避免图片过大，超出屏幕范围。

接下来，开始我们的主程序部分

importsys
importnumpyasnp
importdlib
importcv2
iflen(sys.argv)<2:
print"Usage:%s<imagefile>"%sys.argv[0]
sys.exit(1)
image_file=sys.argv[1]
detector=dlib.get_frontal_face_detector()
predictor=dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

我们从sys.argv[1]参数中读取要检测人脸的图片，接下来初始化人脸区域检测的detector和人脸特征检测的predictor。shape_predictor中的参数就是我们之前解压后的文件的路径。

image=cv2.imread(image_file)
image=resize(image,width=1200)
gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
rects=detector(gray,1)

在检测特征区域前，我们先要检测人脸区域。这段代码调用opencv加载图片，resize到合适的大小，转成灰度图，最后用detector检测脸部区域。因为一张照片可能包含多张脸，所以这里得到的是一个包含多张脸的信息的数组rects。

for(i,rect)inenumerate(rects):
shape=predictor(gray,rect)
shape=shape_to_np(shape)
(x,y,w,h)=rect_to_bb(rect)
cv2.rectangle(image,(x,y),(x+w,y+h),(0,255,0),2)
cv2.putText(image,"Face#{}".format(i+1),(x-10,y-10),
cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)
for(x,y)inshape:
cv2.circle(image,(x,y),2,(0,0,255),-1)
cv2.imshow("Output",image)
cv2.waitKey(0)

对于每一张检测到的脸，我们进一步检测脸部的特征（鼻子、眼睛、眉毛等）。对于脸部区域，我们用绿色的框在照片上标出；对于脸部特征，我们用红色的点标出来。

最后我们把加了检测标识的照片显示出来，waitKey(0)表示按任意键可退出程序。

以上是我们程序的全部

测试

接下来是令人兴奋的时刻，检验我们结果的时刻到来了。

下面是原图

下面是程序识别的结果

可以看到脸部区域被绿色的长方形框起来了，脸上的特征（鼻子，眼睛等）被红色点点标识出来了。最后想要了解更多关于Python发展前景趋势，请关注扣丁学堂python培训官网、微信等平台，扣丁学堂IT职业在线学习教育平台为您提供最新的Python视频教程系统，通过千锋扣丁学堂金牌讲师在线录制的Python视频教程课程，让你快速掌握Python从入门到精通开发实战技能。扣丁学堂Python开发工程师技术交流群：279521237。

【关注微信公众号获取更多学习资料】

查看更多关于"Python开发资讯"的相关文章>>