1.功能介绍:
用户输入人脸照片,程序从照片库中选出10张最相似人脸照片输出在文件夹中,并且给出这十张人脸与输入人脸的相似度值。
- 照片库可以增删
- 调节相似度阈值可调节
- 自定义UI操作界面
2.视频演示:
3.图片演示:
4.人脸相似度对比原理:
整体思路:
1、预先导入所需要的人脸识别模型;
2、遍历循环识别文件夹里面的图片,让模型“记住”人物的样子;
3、输入一张新的图像,与前一步文件夹里面的图片比对,返回最接近的结果。
使用到的第三方模块和模型:
1、模块:os,dlib,glob,numpy;
2、模型:人脸关键点检测器,人脸识别模型。
导入需要的模型。
这里解释一下两个dat文件:
它们的本质是参数值(即神经网络的权重)。人脸识别算是深度学习的一个应用,事先需要经过大量的人脸图像来训练。所以一开始我们需要去设计一个神经网络结构,来“记住”人类的脸。
对于神经网络来说,即便是同样的结构,不同的参数也会导致识别的东西不一样。在这里,这两个参数文件就对应了不同的功能(它们对应的神经网络结构也不同):
shape_predictor.dat这个是为了检测人脸的关键点,比如眼睛,嘴巴等等;dlib_face_recognition.dat是在前面检测关键点的基础上,生成人脸的特征值。
所以后面使用dlib模块的时候,其实就是相当于,调用了某个神经网络结构,再把预先训练好的参数传给我们调用的神经网络。顺便提一下,在深度学习领域中,往往动不动会训练出一个上百M的参数模型出来,是很正常的事。
import os,dlib,glob,numpyfrom skimage import io# 人脸关键点检测器predictor_path = "shape_predictor.dat"# 人脸识别模型、提取特征值face_rec_model_path = "dlib_face_recognition.dat"# 训练图像文件夹faces_folder_path ='train_images' # 加载模型detector = dlib.get_frontal_face_detector()sp = dlib.shape_predictor(predictor_path)facerec = dlib.face_recognition_model_v1(face_rec_model_path)
对训练集进行识别
candidate = [] # 存放训练集人物名字descriptors = [] #存放训练集人物特征列表for f in glob.glob(os.path.join(faces_folder_path,"*.jpg")):print("正在处理: {}".format(f))img = io.imread(f)candidate.append(f.split('\\')[-1].split('.')[0])# 人脸检测dets = detector(img, 1)for k, d in enumerate(dets): shape = sp(img, d)# 提取特征face_descriptor = pute_face_descriptor(img, shape)v = numpy.array(face_descriptor) descriptors.append(v)print('识别训练完毕!')
当你做完这一步之后,输出列表descriptors看一下,可以看到类似这样的数组,每一个数组代表的就是每一张图片的特征量(128维)。然后我们可以使用L2范式(欧式距离),来计算两者间的距离。
举个例子,比如经过计算后,A的特征值是[x1,x2,x3],B的特征值是[y1,y2,y3], C的特征值是[z1,z2,z3]。
那么由于A和B更接近,所以会认为A和B更像。想象一下极端情况,如果是同一个人的两张不同照片,那么它们的特征值是不是应该会几乎接近呢?知道了这一点,就可以继续往下走了。
处理待对比的图片。
其实是同样的道理,如法炮制,目的就是算出一个特征值出来,所以和第二步差不多。然后再顺便计算出新图片和第二步中每一张图片的距离,再合成一个字典类型,排个序,选出最小值,搞定收工!
try:## test_path=input('请输入要检测的图片的路径(记得加后缀哦):')img = io.imread(r".\test_images\test6.jpg")dets = detector(img, 1)except:print('输入路径有误,请检查!')dist = []for k, d in enumerate(dets):shape = sp(img, d)face_descriptor = pute_face_descriptor(img, shape)d_test = numpy.array(face_descriptor) for i in descriptors:#计算距离dist_ = numpy.linalg.norm(i-d_test)dist.append(dist_)# 训练集人物和距离组成一个字典c_d = dict(zip(candidate,dist))cd_sorted = sorted(c_d.items(), key=lambda d:d[1])print ("识别到的人物最有可能是: ",cd_sorted[0][0])
5.系统整合:
6.完整源码&环境部署视频教程&自定义UI界面:
7.参考文献:
[1]一种新的人眼定位算法[J]. 金名蜚. 淮阴师范学院学报(自然科学版). (03)[2]基于复杂度和最佳阈值的人眼定位方法[J]. 崔连延,徐林,顾树生. 控制工程. (01)[3]复杂背景下基于肤色和几何特征的人眼定位[J]. 李璇,罗敏,施荣华,李丽. 计算机测量与控制. (03)[4]一种基于圆检测的眼睛定位方法[J]. 张丹丹,张凌燕,彭延军. 山东科技大学学报(自然科学版). (03)[5]基于图像块复杂度和分段距离函数的人眼定位算法研究[J]. 程磊,郑鑫. 价值工程. (21)[6]双目标的无参考图像块内容识别仿真[J]. 李春阁,王新强. 计算机仿真. (11)[7]基于视频图像块模型的局部异常行为检测[J]. 程艳云,朱松豪,徐国政,梁志伟. 南京邮电大学学报(自然科学版). (01)[8]基于图像块分组的加密域可逆信息隐藏[J]. 程航,王子驰,张新鹏. 北京工业大学学报. (05)[9]图像块动态划分矢量量化[J]. 马文龙,余宁梅,银磊,高勇. 计算机辅助设计与图形学学报. (02)[10]一种新的图像中人眼定位方法[J]. 张金敏,孟萍. 兰州交通大学学报. (03)如果觉得《Python基于OpenCV的人脸集合相似度检测系统(源码&UI&教程)》对你有帮助,请点赞、收藏,并留下你的观点哦!