【Dlib人脸识别】1. Dlib人脸检测的基本原理
Dlib中，人脸识别的基本思路为：
- 计算已知图片中所有人脸对应的特征向量；
- 计算要识别的未知图片中所有人脸对应的特征向量；
- 计算人脸之间的欧式距离；
- 如果两张人脸之间的欧式距离小于设定的阈值，则认为是同一个人，否则认为不是同一个人
【 1. 计算特征向量 】
在人脸特征点检测中，我们学会了如何获取人脸的特征点。但是特征点只是用于标识人脸关键点的坐标而已，如果想要实现人脸识别，那么必须将特征点转换为特征向量。
1. 加载人脸识别模型
链接：dlib_face_recognition_resnet_model_v1.dat
提取码：b8zu
首先，我们得通过dlib.face_recognition_model_v1() 加载人脸识别的模型：
dlib.face_recognition_model_v1(人脸识别模型路径)
import dlib
import cv2
#人脸识别模型的路径
face_rec_model_path = 'dlib_face_recognition_resnet_model_v1.dat'
# 加载人脸识别模型
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
2. 计算特征向量
在加载完模型之后，我们需要先使用前面学到的知识，先检测特征点：
import cv2
# 加载人脸识别模型
face_rec_model_path = 'dlib_face_recognition_resnet_model_v1.dat'
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
# 加载特征点识别模型
predictor_path = "shape_predictor_5_face_landmarks.dat"
predictor = dlib.shape_predictor(predictor_path)
# 读取图片
img_path = "step1/image/face.jpg"
img = cv2.imread(img_path)
# 转换为灰阶图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 正向人脸检测器将图像
detector = dlib.get_frontal_face_detector()
# 使用人脸识别模型来检测图像中的人脸
faces = detector(gray, 1)
# 使用特征点识别模型来检测人脸中的特征
for i, face in enumerate(faces):
# 获取人脸特征点
shape = predictor(img, face)
通过上面的代码，我们检测到人脸的特征点，并将它们保存在shape中。下面我们通过facerec.compute_face_descriptor()来计算特征向量，它的函数声明如下：
facerec.compute_face_descriptor(图片对象, 特征点)
具体代码如下：
face_descriptor = facerec.compute_face_descriptor(img,shape)
这样，我们就计算出了人脸特征向量。
【 2. 计算欧氏距离 】
-
欧氏距离（也称欧几里得距离）是一个常用的的距离度量，它指的是在空间中两个向量（点）之间的直线距离。
欧氏距离越小，说明两个向量越接近，也就是两个向量差异越小。 -
假设在两个向量分别为 x(x1,x2,…,xm) 和 y(y1,y2,…,ym)，则这两个向量的欧氏距离的计算公式为:
( x 1 − y 1 ) 2 + ( x 2 − y 2 ) 2 + . . + ( x m − y m ) 2 ( x 1 − y 1 ) \sqrt{(x_1-y_1)^2+(x_2-y_2)^2+..+(x_m-y_m)^2}\sqrt{(x_1−y_1)} (x1−y1)2+(x2−y2)2+..+(xm−ym)2(x1−y1) -
在Python中可以通过长度为 m 的列表来表示维数为 m 的向量。
例如x为(1,2,3,4,5)，那么它可以表示为x=[1,2,3,4,5]。 -
在Python中计算两个长度相同的列表的欧氏距离：
import numpy as np # 导入numpy库
x = [1,2,3,4,5] # 声明两个长度相同的列表
y = [3,4,5,2,1]
x_array = np.array(x) # 将列表转换为numpy数组
y_array = np.array(y)
distance = np.linalg.norm(x_array-y_array) # 计算x_array与y_array之间的欧氏距离
【 3. 识别人脸 】
上面我们提到，两个向量的欧氏距离越小，说明两个向量越接近。将这个结论放在人脸识别中，可以得出以下结论：
两张人脸特征向量的欧氏距离越小，说明两个人越相似。当欧氏距离小于某一个值时，则可以认为他们是同一个人。
基于这个结论，我们可以实现人脸识别。
1. 准备数据
我们将事先准备的人脸图片作为本次识别的数据，并把图片分成两个部分。第一个部分为已知的图片，另一部分为待识别的图片。
已知图片：
待识别图片：
理想情况下，我们的人脸识别算法应该做到：如果待识别图片中的人出现在了已知图片中，那么应该正确地输出姓名，否则，就输出Unknow。
2. 计算所有已知图片中人脸的特征向量
因为需要获取所有已知图片中的特征向量，首先得获取到图片。
在这里我们借助glob模块下的glob()来获取图片：
glob(正则表达式)：
# glob()返回匹配的文件列表，
glob()会返回匹配的文件列表，这样我们就可以获取到在known_image_path下所有以jpg结尾的的图片，如下：
import glob
glob.glob(os.path.join(known_image_path, "*.jpg"))
然后我们就可以来计算所有已知图片中人脸的特征向量，代码如下所示：
known_image_path = "step1/image/known_image"
# 声明descriptors，用于存放已知图片对应的人脸特征向量
descriptors = []
# 声明names，用于存放于人脸特征向量对应的名字。
names = ["TongDaWei","XiaYu","ZhangYiShan"]
# 遍历known_image_path文件夹下所有以.jpg结尾的文件。
for f in glob.glob(os.path.join(known_image_path, "*.jpg")):
img = dlib.load_rgb_image(f)
# 1.人脸检测
dets = detector(img, 1)
for k, d in enumerate(dets):
# 2.关键点检测
shape = predictor(img, d)
# 3.计算特征向量（也成为人脸描述符）
descriptor = facerec.compute_face_descriptor(img, shape)
# 转换为numpy数组
v = np.array(descriptor)
descriptors.append(v)
3. 识别人脸
当欧氏距离小于某个阈值时，则可以认为他们是同一个人。那这个阈值应该设定为多少呢？
- 原理：计算待识别的图片特征向量与已知图片特征向量的欧氏距离，如果欧氏距离小于阈值，则认为是同一张图片。
- 在Dlib中，对于在LFW人脸数据集，当阈值设置为0.6时，的识别精度能达到99.38%。
- 但是，当阈值设置为0.6时，对于小孩和亚洲人的识别率不是很高。故我们要识别的图片是亚洲人时，要将阈值适当地降低，在这里我们设置为0.4。
具体代码片段如下
tolerance = 0.4
current_name = "Unknow"
for i in range(len(descriptors)):
#假设当前带识别的图片特征为current
distance = np.linalg.norm(descriptors[i]-current)
if distance<tolerance:
#names用于存放于已知人脸特征向量对应的名字
current_name = names[i]
break
print("当前图片识别结果为："+current_name)
【 4. 范例 】
# 0. 导入模块
import os
import dlib
import glob
import numpy as np
import cv2
# 1. 加载模型、图片
## 正向人脸检测器
detector = dlib.get_frontal_face_detector()
## 加载特征点提取模型
predictor_path = 'shape_predictor_68_face_landmarks.dat'
predictor = dlib.shape_predictor(predictor_path)
## 加载面部识别模型
face_rec_model_path = 'dlib_face_recognition_resnet_model_v1.dat'
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
## 已知图片
known_image_path = 'know'
## 测试图片
test_image_path = "unknow"
# 2. 声明存放数据的变量
## 声明descriptors，用于存放已知图片对应的人脸特征向量
descriptors = []
## 声明names，用于存放于人脸特征向量对应的名字。
names = ["reba"]
# 3. 开始检测
## 遍历known_image_path文件夹下所有以.jpg结尾的文件。
for f in glob.glob(os.path.join(known_image_path, "*.jpg")):
img = dlib.load_rgb_image(f)
## 使用 detector 检测器来检测图像中的人脸
dets = detector(img, 1)
for k, d in enumerate(dets):
## 获取人脸特征点
shape = predictor(img, d)
## 计算特征向量
face_descriptor = facerec.compute_face_descriptor(img, shape)
## 特征向量转换为numpy array
v = np.array(face_descriptor)
## 把此次数据存到人脸特征向量列表里面
descriptors.append(v)
# 4. 进行判断
## 遍历test_image_path文件夹下所有以.jpg结尾的文件。
for f in glob.glob(os.path.join(test_image_path, "*.jpg")):
img = dlib.load_rgb_image(f)
## 使用 detector 检测器来检测图像中的人脸
dets = detector(img, 1)
for k, d in enumerate(dets):
## 获取人脸特征点
shape = predictor(img, d)
## 计算特征向量
face_descriptor = facerec.compute_face_descriptor(img, shape)
## 将当前待判断的图片特征向量转化为 current
current = np.array(face_descriptor)
## 计算欧式距离，识别人脸
### 设置阈值
tolerance = 0.1
### 设置该图片名字初值为：Unknow
current_name = "Unknow name"
### 对这个存放着已知图片特征向量的列表descriptors[]遍历
for i in range(len(descriptors)):
### 计算欧氏距离
distance = np.linalg.norm(descriptors[i] - current)
### 对欧氏距离判断
if distance < tolerance:
### names用于存放着人脸特征向量对应的名字
current_name = names[i]
break
## 输出对当前图片的识别结果
print("当前图片识别结果为：" + current_name)
运行结果：
