![cover](https://img-blog.csdnimg.cn/img_convert/a6434ed93dc1f9526b4dd7b9bf1aa66d.png)
总结几个简单好用的Python人脸识别算法
今天给大家总结几个简单、好用的算法。是计算机视觉中比较常见的技术,生活中,我们接触最多的人脸识别场景是。的算法最核心的工作是从一张图片中识别出人脸的位置。识别的算法可以说是多种多样, 下面我就来为大家一一介绍下。
今天给大家总结几个简单、好用的人脸识别算法。人脸识别是计算机视觉中比较常见的技术,生活中,我们接触最多的人脸识别场景是人脸考勤。
人脸识别的算法最核心的工作是从一张图片中识别出人脸的位置。识别的算法可以说是多种多样, 下面我就来为大家一一介绍下。
1. HoG人脸检测
该算法采用传统的机器学习算法来识别人脸。传统机器学习算法的特点是人工构造特征,然后将构造好的特征送入模型训练。
该算法用HoG
提取图片中人脸特征,用SVM
算法进行分类。
HoG
(Histogram of Oriented Gradient, 方向梯度直方图)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,通过计算和统计图像局部区域的梯度方向直方图来构成特征。
dlib
库中有该算法的实现,下面我们看看核心代码
import dlib# 加载预训练的 HoG 人脸检测器hog_face_detector = dlib.get_frontal_face_detector()# 对图片进行人脸检测results = hog_face_detector(imgRGB, 0)for bbox in results: x1 = bbox.left() # 人脸左上角x坐标 y1 = bbox.top() # 人脸左上角y坐标 x2 = bbox.right() # 人脸右下角x坐标 y2 = bbox.bottom() # 人脸右下角y坐标
results
存放一张图中检测出来的多个人脸, 遍历results
可以得到每张人脸的矩形框。
检测示例如下:
绿框框出来的就是算法检测出来的人脸。
HoG 人脸检测由于采用传统机器学习算法,所以性能比较高,在CPU上运行也可以比较快。但它无法检测小于 80*80 的人脸,对旋转人脸、非正面人脸,识别效果也不太好。
2. 深度学习人脸检测
虽然传统机器学习算法检测更快,但准确度却有待提升。基于深度学习的人脸检测算法往往会更加准确。
这里介绍的是使用残差网络ResNet-10
通过网络(模型)在图像的单通道( Single Shot Detector,SSD)中检测多个人脸。简称SSD
算法。
首先,需要将原始图片进行blob
预处理,然后直接送入模型,进行检测
cv2
库提供了该算法的实现,核心代码如下:
import cv2# 加载预训练的 SSD 模型opencv_dnn_model = cv2.dnn.readNetFromCaffe( prototxt="models/deploy.prototxt" , caffeModel="models/res10_300x300_ssd_iter_140000_fp16.caffemodel")# 原始图片 blob 处理preprocessed_image = cv2.dnn.blobFromImage(image, scalefactor=1.0, size=(300, 300), mean=(104.0, 117.0, 123.0), swapRB=False, crop=False) # blob 图片送入模型opencv_dnn_model.setInput(preprocessed_image)# 模型推理,进行人脸检测results = opencv_dnn_model.forward() # 遍历人脸for face in results[0][0]: # 置信度 face_confidence = face[2] # 人脸边框的左上角和右下角坐标点 x1 = int(bbox[0] * image_width) y1 = int(bbox[1] * image_height) x2 = int(bbox[2] * image_width) y2 = int(bbox[3] * image_height)
results[0][0]
存放了检测出来的多张人脸,每张人脸用数组表达,数组的第3位存放置信度,可以通过阈值过滤不置信的人脸。数组的第4~7位存放检测出来的人脸矩形框左上角和右下角的坐标。
相比于 HoG
人脸检测,SSD
算法对遮挡、非正面人脸也能检测出来。
3. 卷积神经网络人脸检测
卷积就不多说了,了解计算机视觉的都知道。
dlib
库提供了卷积神经网络人脸检测算法的实现,用法跟之前类似
import dlib# 记载预训练模型cnn_face_detector = dlib.cnn_face_detection_model_v1("models/mmod_human_face_detector.dat")# 人脸检测results = cnn_face_detector(imgRGB, 0)# 遍历每张人脸for face in results: # 人脸边框 bbox = face.rect # 人脸边框的左上角和右下角坐标点 x1 = int(bbox.left() * (width/new_width)) y1 = int(bbox.top() * (height/new_height)) x2 = int(bbox.right() * (width/new_width)) y2 = int(bbox.bottom() * (height/new_height))
results
的解析跟上面类似,这里就不在赘述了。
采用卷积神经网络的人脸检测算法优势很明显,比前两个更准确和健壮,并且还能够检测遮挡下的人脸。
即便非正面、且光线暗的图片,也能很好检测出来
但该算法相应的缺点也很明显,检测过程所花费的时间非常长,无法在 CPU 上实时运行。
4. BlazeFace
上面的算法要么精度高、速度慢,要么速度快,精度低。那有没有一种检测算法,既有高准确率,又有高性能呢?
答案是肯定的,BlazeFace
是一种非常轻量级且高度准确的人脸检测器,号称亚毫秒级的人脸检测器。其灵感来自 Single Shot MultiBox Detector (SSD)
和 MobileNetv2
。
Mediapipe
库提供了该算法的实现,核心代码如下:
import mediapipe as mp# 画图工具mp_drawing = mp.solutions.drawing_utils# 初始化人脸检测模型mp_face_detection = mp.solutions.face_detectionmp_face_detector = mp_face_detection.FaceDetection(min_detection_confidence=0.4)results = mp_face_detector.process(imgRGB)if results.detections: # 变脸检测出的人脸 for face_no, face in enumerate(results.detections): # 画人脸关键点 mp_drawing.draw_detection(image=output_image, detection=face, keypoint_drawing_spec=mp_drawing.DrawingSpec(color=(0,255,0),thickness=-1, circle_radius=image_width//115), bbox_drawing_spec=mp_drawing.DrawingSpec(color=(0,255,0),thickness=image_width//180)) # 画人脸框 face_bbox = face.location_data.relative_bounding_box x1 = int(face_bbox.xmin*image_width) y1 = int(face_bbox.ymin*image_height) cv2.rectangle(output_image, pt1=(x1, y1-image_width//20), pt2=(x1+image_width//16, y1), color=(0, 255, 0), thickness=-1)
效果如下:
可以看到,BlazeFace
算法不光能检测人脸,还能识别出人脸6个关键点(眼睛、鼻子、耳朵、嘴)。
上面就是今天分享的4个人脸识别的算法。
识别出人脸,我们再做人脸考勤就非常简单了,把人脸Embedding
成向量,计算向量的之间的距离即可。
关于Python学习资料:
在学习python中有任何困难不懂的可以微信扫描下方CSDN官方认证二维码加入python交流学习
多多交流问题,互帮互助,这里有不错的学习教程和开发工具。
(python兼职资源+python全套学习资料)
![](https://i-blog.csdnimg.cn/blog_migrate/4a4b9cc4395388fa01fba5fd0bdeedd3.png)
一、Python所有方向的学习路线
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、Python必备开发工具
四、Python视频合集
观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
五、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
六、Python练习题
检查学习结果。
七、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
最后,千万别辜负自己当时开始的一腔热血,一起变强大变优秀。
![Logo](https://devpress.csdnimg.cn/79de2bf0b7994defa4242ef90d5513fa.jpg)
开放原子开发者工作坊旨在鼓励更多人参与开源活动,与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动,如meetup、训练营等,主打技术交流,干货满满,真诚地邀请各位开发者共同参与!
更多推荐
所有评论(0)