python画⼈脸编程怎么写_Python40⾏代码实现⼈脸识别功能前⾔
很多⼈都认为⼈脸识别是⼀项⾮常难以实现的⼯作，看到名字就害怕，然后⼼怀忐忑到⽹上⼀搜，看到⽹上N页的教程⽴马就放弃了。这些⼈⾥包括曾经的我⾃⼰。其实如果如果你不是⾮要深究其中的原理，只是要实现这⼀⼯作的话，⼈脸识别也没那么难。今天我们就来看看如何在40⾏代码以内简单地实现⼈脸识别。
⼀点区分
对于⼤部分⼈来说，区分⼈脸检测和⼈脸识别完全不是问题。但是⽹上有很多教程有⽆⽆意地把⼈脸检测说成是⼈脸识别，误导众，造成⼀些⼈认为⼆者是相同的。其实，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。今天我们要做的是⼈脸识别。
所⽤⼯具
Anaconda 2——Python 2
Dlib
scikit-image
Dlib
对于今天要⽤到的主要⼯具，还是有必要多说⼏句的。Dlib是基于现代C++的⼀个跨平台通⽤的框架，作者⾮常勤奋，⼀直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等，涉猎甚⼴。更重要的是，Dlib的⽂档⾮常完善，例⼦⾮常丰富。就像很多库⼀样，Dlib也提供了Python的接⼝，安装⾮常简单，⽤pip只需要⼀句即可：
pip install dlib
上⾯需要⽤到的scikit-image同样只是需要这么⼀句：
pip install scikit-image
注：如果⽤pip install dlib安装失败的话，那安装起来就⽐较⿇烦了。错误提⽰很详细，按照错误提⽰⼀步步⾛就⾏了。
⼈脸识别
之所以⽤Dlib来实现⼈脸识别，是因为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。今天我们
主要⽬的是实现，⽽不是深究原理。感兴趣的同学可以到官⽹查看源码以及实现的参考⽂献。今天的例⼦既然代码不超过40⾏，其实是没啥难度的。有难度的东西都在源码和论⽂⾥。
⾸先先通过⽂件树看⼀下今天需要⽤到的东西：
准备了六个候选⼈的图⽚放在candidate-faces⽂件夹中，然后需要识别的⼈脸图⽚test.jpg。我们的⼯作就是要检测到test.jpg中的⼈脸，然后判断她到底是候选⼈中的谁。另外的girl-face-rec.py是我们的python脚本。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。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。
1. 前期准备
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candidate-faces⽂件夹中。
本⽂这⾥准备的是六张图⽚，如下：
她们分别是
然后准备四张需要识别的⼈脸图像，其实⼀张就够了，这⾥只是要看看不同的情况：
可以看到前两张和候选⽂件中的本⼈看起来还是差别不⼩的，第三张是候选⼈中的原图，第四张图⽚微微侧脸，⽽且右侧有阴影。
2.识别流程
数据准备完毕，接下来就是代码了。识别的⼤致流程是这样的：
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。
然后对测试⼈脸进⾏⼈脸检测、关键点提取、描述⼦⽣成。
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.代码
代码不做过多解释，因为已经注释的⾮常完善了。以下是girl-face-rec.py
# -*- 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 = _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)
怎样写代码 自己做编程# 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 = facerecpute_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 = facerecpute_face_descriptor(img, shape) d_test = numpy.array(face_descriptor)
# 计算欧式距离
for i in descriptors:
dist_ = (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.iteritems(), key=lambda d:d[1])
print "\n The person is: ",cd_sorted[0][0]
dlib.hit_enter_to_continue()
4.运⾏结果
我们在.py所在的⽂件夹下打开命令⾏，运⾏如下命令
python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg
由于shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat名字实在太长，所以我把它们重命名为1.dat和2.dat。
运⾏结果如下：
The person is Bingbing。
记忆⼒不好的同学可以翻上去看看test1.jpg是谁的图⽚。有兴趣的话可以把四张测试图⽚都运⾏下试试。
这⾥需要说明的是，前三张图输出结果都是⾮常理想的。但是第四张测试图⽚的输出结果是候选⼈4。对⽐⼀下两张图⽚可以很容易发现混淆的原因。
机器毕竟不是⼈，机器的智能还需要⼈来提升。
有兴趣的同学可以继续深⼊研究如何提升识别的准确率。⽐如每个⼈的候选图⽚⽤多张，然后对⽐和每个⼈距离的平均值之类的。全凭⾃⼰了。
以上就是本⽂的全部内容，希望本⽂的内容对⼤家的学习或者⼯作能带来⼀定的帮助，同时也希望多多⽀持！