你在互联网上找到的大多数
本文的目标是实现一种基于眨眼检测的人脸活体检测算法，以抵抗照片攻击。该算法通过网络摄像头实时工作，通过检测眨眼来区分现实生活中的面孔和照片上的面孔。通俗地说，程序运行如下：在网络摄像头生成的每个帧中检测人脸。对于每个检测到的脸，检测眼睛。对于每个检测到的眼睛，检测眼睛是否睁开或关闭。如果在某个时候检测到眼睛是睁开的，然后是闭着的，然后是睁开的，我们就断定此人已经眨了眼睛，并且程序显示他的名字(如果是人脸识别开门器，我们将授权此人进入)。对于人脸的检测和识别，你需要安装face＿recognition库，它提供了非常有用的深度学习方法来查找和识别图像中的人脸，特别是，face＿locations、face＿encodings和compare＿faces函数是最有用的3个函数。人脸定位方法可以用两种方法来检测人脸：方向梯度直方图(HoG)和卷积神经网络(CNN)，由于时间限制，选择了HoG方法。face＿encodings函数是一个预先训练的卷积神经网络，能够将图像编码成128哥元素的一维特征向量，这个嵌入向量包含足够的特征信息来区分两个不同的人，最后，compare＿faces计算两个嵌入向量之间的距离。它将允许算法识别从摄像头帧中提取的人脸，并将其嵌入向量与我们数据集中所有编码的人脸进行比较，距离最近的向量对应于同一个人。1． 已知人脸数据集编码在我的例子中，算法能够识别我和奥巴马，我为每个人挑选了大约10张照片。下面是处理和编码已知人脸数据库的代码。def process＿and＿encode(images)：
known＿encodings ＝ ［］ known＿names ＝ ［］ print(＂［LOG］ Encoding dataset ．．．＂)
for image＿path in tqdm(images)： ＃ 加载图片 image ＝ cv2．imread(image＿path) ＃ 将其从BGR转换为RGB image ＝ cv2．cvtColor(image， cv2．COLOR＿BGR2RGB)
＃ 检测图像中的脸并获取其位置(方框坐标) boxes ＝ face＿recognition．face＿locations(image， model＝＇hog＇)
＃ 将人脸编码为128维嵌入向量 encoding ＝ face＿recognition．face＿encodings(image， boxes)
＃ 人物名称是图像来源文件夹的名称 name ＝ image＿path．split(os．path．sep)［－2］
if len(encoding) ＞ 0 ： known＿encodings．append(encoding［0］)known＿names．append(name)
return ｛＂encodings＂： known＿encodings， ＂names＂： known＿names｝现在我们知道了每个想识别的人的编码，我们可以尝试通过网络摄像头识别人脸，然而，在转到这一部分之前，我们需要区分一张人脸照片和一张活人的脸。2．人脸活体检测我们的目标是在某个点上检测出一个睁闭的睁眼模式。我训练了一个卷积神经网络来分类眼睛是闭着的还是睁着的，所选择的模型是LeNet－5，它已经在Closed Eyes In The Wild (CEW)数据集上进行了训练，它由大约4800张24x24大小的眼睛图像组成。Closed Eyes In The Wild (CEW)数据集地址：http：／／parnec．nuaa．edu．cn／xtan／data／ClosedEyeDatabases．htmlfrom keras．models
import Sequentialfrom keras．layers import Conv2Dfrom keras．layers import AveragePooling2Dfrom keras．layers import Flattenfrom keras．layers import Densefrom keras．preprocessing．image
import ImageDataGenerator
IMG＿SIZE ＝ 24def train(train＿generator， val＿generator)：STEP＿SIZE＿TRAIN＝train＿generator．n／／train＿generator．batch＿sizeSTEP＿SIZE＿VALID＝val＿generator．n／／val＿generator．batch＿size
model ＝ Sequential()
model．add(Conv2D(filters＝6， kernel＿size＝(3， 3)， activation＝＇relu＇， input＿shape＝(IMG＿SIZE，IMG＿SIZE，1)))model．add(AveragePooling2D())
model．add(Conv2D(filters＝16， kernel＿size＝(3， 3)， activation＝＇relu＇))model．add(AveragePooling2D())
model．add(Flatten())
model．add(Dense(units＝120， activation＝＇relu＇))
model．add(Dense(units＝84， activation＝＇relu＇))
model．add(Dense(units＝1， activation ＝ ＇sigmoid＇))
model．compile(loss＝＇binary＿crossentropy＇， optimizer＝＇adam＇， metrics＝［＇accuracy＇］)
print(＇［LOG］ Training CNN＇)
model．fit＿generator(generator＝train＿generator，steps＿per＿epoch＝STEP＿SIZE＿TRAIN，validation＿data＝val＿generator，validation＿steps＝STEP＿SIZE＿VALID， epochs＝20) return model在评估模型时，我达到了94％的准确率。每次我们检测到一只眼睛，我们就用我们的模型来预测它的状态，并跟踪每个人的眼睛状态，因此，检测眨眼变得非常容易，它试图在眼睛状态历史中找到一个闭眼－睁眼－闭眼的过程。
如果觉得《python 人脸识别活体检测_基于Python+Keras+OpenCV实现实时人脸活体检测》对你有帮助，请点赞、收藏，并留下你的观点哦！
