[深度應用]·實戰掌握Dlib人臉識別開發教程

個人網站-->?http://www.yansongsong.cn/

項目GitHub地址-->?https://github.com/xiaosongshine/dlib_face_recognition

1.背景介紹

Dlib是一個深度學習開源工具，基于C++開發，也支持Python開發接口，功能類似于TensorFlow與PyTorch。但是由于Dlib對于人臉特征提取支持很好，有很多訓練好的人臉特征提取模型供開發者使用，所以Dlib人臉識別開發很適合做人臉項目開發。

上面所說的人臉識別開發，主要是指人臉驗證，就是輸入兩張人臉照片，系統會對比輸出0或者1，代表判斷是否是同一個人。一般的人臉識別開發可以簡單分為1.人臉特征建模與2.使用人臉特征模型進行驗證（其實還應包括人臉對齊等,這些也可以劃分到1中）。使用Dlib進行開發時，我們直接可以使用訓練好的人臉特征提取模型，主要的工作就變成了如何進行人臉的驗證。

人臉的驗證其實就是計算相似度，同一個人的相似度就會大，不同的人就會比較小?？梢圆捎糜嘞蚁嗨贫然蛘邭W式距離來計算相似度。其中余弦相似度就是計算角度，歐式距離就是指平方差。都可以用來表示兩個特征的相似度（距離）。

2.環境搭建

安裝可以參考我的這篇博客：[深度學習工具]·極簡安裝Dlib人臉識別庫，下面說一下需要注意的點:：

此博文針對Windows10安裝，其他平臺可以仿照這個步驟來安裝

• 安裝Miniconda

使用conda指令來安裝Dlib庫，使用Miniconda與Anaconda都可以，我習慣用Miniconda，簡單占用內存小。
推薦使用清華源，下載安裝，選擇合適的平臺版本。python==3.6

• 安裝dlib
  注意一定要以管理員身份進入CMD，執行（如果是Linux Mac 就使用 sudo）

conda install -c conda-forge dlib

?

• 需要imageio 庫，可以使用下述命令安裝

conda install imageio

?

3.開發實戰

?

1.實現人臉檢測標記

face_test.py

import dlib from imageio import imread import globdetector = dlib.get_frontal_face_detector() win = dlib.image_window()path = "f1.jpg" img = imread(path) dets = detector(img) print('檢測到了 %d 個人臉' % len(dets)) for i, d in enumerate(dets):print('- %d：Left %d Top %d Right %d Bottom %d' % (i, d.left(), d.top(), d.right(), d.bottom()))win.clear_overlay() win.set_image(img) win.add_overlay(dets) dlib.hit_enter_to_continue()

?

代碼很簡單，通過imread讀取照片，然后進行檢測，輸出結果為dets的list，有幾張人臉就會有幾個item， 每個item都有.left(), .top(), .right(), .bottom()四個元素，代表人臉框的四個邊界位置。最后通過win.add_overlay(dets)可以將標記的框顯示在原圖上。

原始照片

?
輸出照片

?

其實我們就可以使用這個功能做一個簡單的應用，用來檢測圖片或者視頻中人臉的個數。

2.人臉特征點提取

在實戰1的基礎上添加人臉特征提取功能。

import dlib from imageio import imread import globdetector = dlib.get_frontal_face_detector() win = dlib.image_window()predictor_path = 'shape_predictor_68_face_landmarks.dat' predictor = dlib.shape_predictor(predictor_path)path = "f2.jpg" img = imread(path) dets = detector(img) print('檢測到了 %d 個人臉' % len(dets))for i, d in enumerate(dets):print('- %d: Left %d Top %d Right %d Bottom %d' % (i, d.left(), d.top(), d.right(), d.bottom()))shape = predictor(img, d)# 第 0 個點和第 1 個點的坐標print('Part 0: {}, Part 1: {}'.format(shape.part(0), shape.part(1))) win.clear_overlay() win.set_image(img) win.add_overlay(dets) win.add_overlay(shape) dlib.hit_enter_to_continue()

?

這段代碼就是在test.py基礎上加入了shape_predictor功能，使之可以在檢測出人臉基礎上，找到人臉的68個特征點。反映在圖中就是藍色的線。

?

原始圖片

?

?

輸出圖片

?

?

注意運行這段代碼需要這個文件predictor_path = 'shape_predictor_68_face_landmarks.dat'，我會放在我的github中，方便大家下載使用。

3.人臉識別驗證

在第二步的基礎上，我們再進一步，實現將人臉提取為特征向量，從而我們就可以對特征向量進行比對來實現人臉的驗證，這里采用的是對比歐式距離的方法。

face_recognition.py

import dlib from imageio import imread import glob import numpy as npdetector = dlib.get_frontal_face_detector() predictor_path = 'shape_predictor_68_face_landmarks.dat' predictor = dlib.shape_predictor(predictor_path) face_rec_model_path = 'dlib_face_recognition_resnet_model_v1.dat' facerec = dlib.face_recognition_model_v1(face_rec_model_path)def get_feature(path):img = imread(path)dets = detector(img)print('檢測到了 %d 個人臉' % len(dets))# 這里假設每張圖只有一個人臉shape = predictor(img, dets[0])face_vector = facerec.compute_face_descriptor(img, shape)return(face_vector)def distance(a,b):a,b = np.array(a), np.array(b)sub = np.sum((a-b)**2)add = (np.sum(a**2)+np.sum(b**2))/2.return sub/addpath_lists1 = ["f1.jpg","f2.jpg"] path_lists2 = ["趙麗穎照片.jpg","趙麗穎測試.jpg"]feature_lists1 = [get_feature(path) for path in path_lists1] feature_lists2 = [get_feature(path) for path in path_lists2]print("feature 1 shape",feature_lists1[0].shape)out1 = distance(feature_lists1[0],feature_lists1[1]) out2 = distance(feature_lists2[0],feature_lists2[1])print("diff distance is",out1) print("same distance is",out2)out1 = distance(feature_lists1[0],feature_lists1[1]) out2 = distance(feature_lists2[0],feature_lists2[1])

?

輸出結果

檢測到了 1 個人臉 檢測到了 1 個人臉 檢測到了 1 個人臉 檢測到了 1 個人臉feature 1 shape (128, 1)diff distance is 0.254767715912 same distance is 0.0620976363391

?

我們可以看出，每張人臉都被提取為了128維的向量，我們可以理解為128維的坐標（xyz是三維，128維就是有128個軸組成），我們下面需要做的就是計算兩個特征的距離，設定好合適的閾值，小于這個閾值則識別為同一個人。代碼正確運行需要這個文件face_rec_model_path = 'dlib_face_recognition_resnet_model_v1.dat'，我已經放在自己的github中，方便大家使用。

我們從上面測試的結果可以看出，不同的距離為0.25，同一個人為0.06，閾值就可以先設置為其間的一個值。我這里先設置為0.09，這個閾值也是需要大量數據來計算的，選擇的準則為使錯誤識別為最低。

下面我們把閾值設置為0.09，來測試系統能否區分出不同的人：在face_recognition.py加入下面代碼

def classifier(a,b,t = 0.09):if(distance(a,b)<=t):ret = Trueelse :ret = Falsereturn(ret)print("f1 is 趙麗穎",classifier(feature_lists1[0],feature_lists2[1])) print("f2 is 趙麗穎",classifier(feature_lists1[1],feature_lists2[1])) print("趙麗穎照片.jpg is 趙麗穎測試.jpg",classifier(feature_lists2[0],feature_lists2[1]))

?

輸出結果

f1 is 趙麗穎 False f2 is 趙麗穎 False 趙麗穎照片.jpg is 趙麗穎測試.jpg True

?

從上面可以看出，已基本滿足對人臉區分的功能，如果如要實用化則需要繼續調優閾值與代碼，調優的準則就是選擇合適的閾值使錯誤識別為最低。

Hope this helps

個人網站-->?http://www.yansongsong.cn/

總結

以上是生活随笔為你收集整理的[深度应用]·实战掌握Dlib人脸识别开发教程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。