图片相似度识别_deepface:人脸识别\特征分析，强大而好用的工具。

deepface是python的轻量级面部识别和面部属性分析（年龄，性别，情感和种族）框架。您只需几行代码就可以应用面部分析。它弥合了软件工程和机器学习研究之间的鸿沟，非常适合想开车但不会造车的你。

开发者 Sefik Ilkin Serengil

脸部识别的步骤

face recognition pipeline​sefiks.com

侦测脸部区域（找到脸）

detect​sefiks.com

脸部方向调整

align​sefiks.com

图片数据化（训练）

represent​sefiks.com

找到图片相似度

verify​sefiks.com

所有这些复杂的前期，deepface 都在后台运算好了。

DeepFace界面下的验证功能可提供单张面部识别。该函数的每次调用都会构建一个人脸识别模型，这非常耗内存。如果要顺序验证多个面孔，则应将面孔数组传递给函数，而不要在for循环中调用该函数。这样，一次就可以构建复杂的人脸识别模型，这将极大地加快功能的速度。此外，在for循环中调用该函数可能还会导致内存问题。

脸部验证Face Verification-

Demo​youtu.be

批量脸部识别 Large scale face recognition-

Demo​youtu.be

脸部特征分析(年龄，性别，种族，表情)Facial Attribute Analysis-

Demo​youtu.be

实时视频分析Streaming and Real Time Analysis-

Demo​youtu.be

if 打不开油管:

轻轻的告诉你:

那就接着往下看哦。

import os
os.chdir('C:/R_Py/Jupyter/deepface')
print("Current Working Directory " , os.getcwd())
path="./yangyuying/"
frames=[]
for image_db in os.listdir(path):
    #images=(path+"/"+image_db)
      frames.append(path+"/"+image_db)

读取数据库的图片

import cv2
import matplotlib.pyplot as plt
#cv2 读取的是GBR 
image1 = cv2.imread(frames[0])
plt.imshow(image1)

plt.imshow(image1[:, :, ::-1])
# 加上[:, :, ::-1] 改为RGB

import matplotlib.image as mpimg
#也可以直接用matplotlib.image 来读去图片
image2 = mpimg.imread(frames[1])
plt.imshow(image2)

from deepface import DeepFace
result= DeepFace.verify(frames[0],frames[1])
print("Is verified:",result["verified"])

-------------
Using VGG-Face model backend and cosine distance. 
Verification:   0%|                                                                              | 0/1 [00:00

结果是true，表明两个图片相似度非常高，image1 和 image2 是同一个人（杨钰莹）。

接下来用find来找到图片库里和特定照片所有的相似度(distance 越小越相似，VGG-Face 阈值是0.4)

import pandas as pd
df = DeepFace.find(img_path = image1,db_path = path)

--------------
	identity	distance
0	./yangyuying//yang2.jpg	0.168852
1	./yangyuying//yang3.jpg	0.218472
2	./yangyuying//yang_mao.jpg 0.255236

读取其中一张看看

image3 = mpimg.imread(df["identity"][1])
plt.imshow(image3)

deepface 里有多个不同的模块来侦测脸部，其中"VGG-Face" 准确度最高。

VGG-Face，Facenet 回值为 True

OpenFace，DeepFace 回值为 False

models = ["VGG-Face", "Facenet", "OpenFace", "DeepFace"]
result2 =[]
for model in models: 
    result = DeepFace.verify(path + "yang1.jpeg", path +"yang2.jpg", model_name = model)
    result2.append(result)
 
---------------
[{'verified': True,
  'distance': 0.1688520312309265,
  'max_threshold_to_verify': 0.4,
  'model': 'VGG-Face',
  'similarity_metric': 'cosine'},
 {'verified': True,
  'distance': 0.2785506248474121,
  'max_threshold_to_verify': 0.4,
  'model': 'Facenet',
  'similarity_metric': 'cosine'},
 {'verified': False,
  'distance': 0.1669234037399292,
  'max_threshold_to_verify': 0.1,
  'model': 'OpenFace',
  'similarity_metric': 'cosine'},
 {'verified': False,
  'distance': 0.34316086769104004,
  'max_threshold_to_verify': 0.23,
  'model': 'DeepFace',
  'similarity_metric': 'cosine'}]

deepface 有3种图片相似度算法["cosine", "euclidean", "euclidean_l2"]，默认的为 Cosine。

metrics = ["cosine", "euclidean", "euclidean_l2"]
result3 = []
for metric in metrics:
    result = DeepFace.verify(path + "yang1.jpeg", path +"yang2.jpg",distance_metric = metric)
    result3.append(result)

---------------
[{'verified': True,
  'distance': 0.1688520312309265,
  'max_threshold_to_verify': 0.4,
  'model': 'VGG-Face',
  'similarity_metric': 'cosine'},
 {'verified': True,
  'distance': 0.49954766,
  'max_threshold_to_verify': 0.55,
  'model': 'VGG-Face',
  'similarity_metric': 'euclidean'},
 {'verified': True,
  'distance': 0.5811232,
  'max_threshold_to_verify': 0.75,
  'model': 'VGG-Face',
  'similarity_metric': 'euclidean_l2'}]

接下来就是非常实用的脸部特征分析（年龄，性别，种族，表情)

demography = DeepFace.analyze(path + "yang1.jpeg", actions = ['age', 'gender', 'race', 'emotion'])
#demographies = DeepFace.analyze(["img1.jpg", "img2.jpg", "img3.jpg"]) #analyzing multiple faces same time
print("Age: ", demography["age"])
print("Gender: ", demography["gender"])
print("Emotion: ", demography["dominant_emotion"])
print("Race: ", demography["dominant_race"])

看看结果:

Age:  27.17988143003153
Gender:  Woman
Emotion:  happy
Race:  asian

在把图片读出来确认下。。。

image2 = mpimg.imread(path + "yang1.jpeg")
plt.imshow(image2)

人脸识别任务可以通过几种模型和相似性指标来处理。在此，deepface提供了一种特殊的增强和组合解决方案，以提高面部识别任务的准确性。这大大提高了准确性。人类可以在面部识别任务上获得97.53％的分数，而这种集成方法可以达到人类水平的准确度，并且可以达到98.57％的准确度。另一方面，要注意这比单个模型要慢得多。

resp_obj = DeepFace.verify(path + "yang1.jpeg", path +"yang2.jpg", model_name = "Ensemble")
df2 = DeepFace.find(img_path = path + "yang1.jpeg", db_path = path, model_name = "Ensemble")

杨钰莹图片来源QQ，如有版权问题，联系我删除！

原文作者: Sefik Ilkin Serengil

github链接:

https://github.com/serengil/deepface​github.com