python opencv4
四、人脸识别操作
import face_recognition
使用 HOG 特征或 CNN（卷积神经网络）进行人脸检测，提取人脸的特征向量（128维），并用于比较不同人脸之间的相似度
1、检测人脸 face_locations
face_recognition.face_locations(img, number_of_times_to_upsample=1, model='hog')
number_of_times_to_upsample`：图像上采样的次数，用于提高检测精度。
model：使用的模型，可以是 'hog'（默认）或 'cnn'。
返回一个列表，每个元素是一个 (top, right, bottom, left) 的元组，表示人脸的位置。
# 获取人脸图片
img = cv2.imread('images/p3.png')
# 检测人脸信息
face_list = face_recognition.face_locations(img, model='hog')
print(face_list)
# 根据坐标进行裁剪脸部图片
for face in face_list:
y, w, h, x = face
cv2.rectangle(img, (x, y), (w, h), (0, 255, 0), 2)
qie_img = img[y:h, x:w]
# 保存图片
cv2.imwrite('../../save_images/p3.png', qie_img)
cv2.imshow('img', img)
cv2.imshow('qie_img', qie_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
2、提取脸部特征 face_encodings
face_recognition.face_encodings(img, known_face_locations=None, num_jitters=1, model='small')
known_face_locations：人脸位置的列表，如果为 None，则自动检测人脸位置。
num_jitters：对每个人脸进行多次编码以提高精度。
model：使用的模型，可以是 'small' 或 'large'（默认）。
返回一个列表，每个元素是一个 128 维的特征向量。
img1 = cv2.imread('face_train_images/1.jpg')
face01 = face_recognition.face_encodings(img1, num_jitters=1)
print(face01)
3、欧几里得距离 linalg.norm
numpy 库的函数
测量两个点之间直线距离的方式，机器学习中的数据点距离计算；在人脸识别等任务中，欧几里得距离用于计算特征向量之间的相似度。
距离越小，相似度越高，相同身份的概率更大：欧几里得距离越小说明两个特征向量之间的差异越小，两个图像可能是同一个人或者相似度很高；距离小于某个设定的阈值，则系统会认为这两个面孔属于同一个人。
距离阈值：距离大于阈值，则认为是不同的身份。
img1 = cv2.imread('face_train_images/1.jpg')
img2 = cv2.imread('face_train_images/2.jpg')
face01 = face_recognition.face_encodings(img1, num_jitters=1)
face02 = face_recognition.face_encodings(img2, num_jitters=1)
# 计算欧几里得距离
v = np.linalg.norm(face01[0]-face02[0])
print(v)
if v < 0.4:
print("同一个人")
else:
print("不是同一个人")
4、人脸匹配程度 compare_faces
face_recognition.compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)
known_face_encodings：已知人脸特征向量的列表。
face_encoding_to_check：待检测的人脸特征向量。
tolerance：匹配的阈值，范围是 0.0 到 1.0，值越小表示匹配要求越高。
返回布尔值列表，表示待检测人脸特征向量是否与已知人脸特征向量匹配。
img1 = cv2.imread('../../face_train_images/1.jpg')
img2 = cv2.imread('../../face_train_images/2.jpg')
# 转灰度
g_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
g_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
# 双边滤波
b_img1 = cv2.bilateralFilter(g_img1, 9, 75, 75)
b_img2 = cv2.bilateralFilter(g_img2, 9, 75, 75)
# 灰度转BGR
a_img1 = cv2.cvtColor(b_img1, cv2.COLOR_GRAY2BGR)
a_img2 = cv2.cvtColor(b_img2, cv2.COLOR_GRAY2BGR)
# 提取人脸特征向量
face01 = face_recognition.face_encodings(a_img1, num_jitters=1)
face02 = face_recognition.face_encodings(a_img2, num_jitters=1)[0]
# 计算是否匹配
test = face_recognition.compare_faces(face01, face02, 0.5)
print(test)
v = np.linalg.norm(face01-face02)
print(v)
5、视频中的人脸检测
i = 0
while True:
ret, frame = c.read()
# c.read() 返回一个元组，第一个元素为布尔值，第二个元素的数组
if ret:
# 显示图片数组信息
cv2.imshow('frame', frame)
# 间隔 0.5 秒刷新图片
cv2.waitKey(20)
i += 500
# 调用人脸识别判断是否获取到内容
face_list = face_recognition.face_locations(frame)
if face_list is not None and 3500 < i < 5500:
print("检测到人脸")
break
elif face_list is not None and i <= 3500:
continue
else:
print("未检测到人脸")
6、视频人脸与图像匹配
import cv2
import face_recognition
import os
import numpy as np# 初始化视频捕捉
c = cv2.VideoCapture(0)
def load_known_faces(directory):
known_faces = {}
for filename in os.listdir(directory):
img_path = os.path.join(directory, filename)
img = cv2.imread(img_path)
face_encodings = face_recognition.face_encodings(img)
if face_encodings:
known_faces[filename] = face_encodings[0]
return known_faces
def recognize_face(frame, known_faces):
face_locations = face_recognition.face_locations(frame)
if not face_locations:
return None, Noneface_encodings = face_recognition.face_encodings(frame, face_locations)
for face_encoding in face_encodings:
for name, known_encoding in known_faces.items():
distance = np.linalg.norm(face_encoding - known_encoding)
if distance < 0.3:
return name, distance
return None, None
known_faces = load_known_faces('图片路径')while True:
ret, frame = c.read()
if not ret:
breakcv2.imshow('frame', frame)
# 按下 'q' 开始人脸识别
if cv2.waitKey(20) == ord('q'):
name, distance = recognize_face(frame, known_faces)
if name:
print(f"该人脸信息存在: {name}, 距离: {distance}")
break
else:
print("该人脸信息不存在，将此照片存储")
cv2.imwrite("图片路径\\renwutest.png", frame)
break# 使用 esc 直接退出程序
if cv2.waitKey(1) == 27:
breakc.release()
cv2.destroyAllWindows()
简化：
import cv2
import face_recognition
import os
import numpy as np
c = cv2.VideoCapture(0)
while True:
ret, frame = c.read()
if ret:
cv2.imshow('frame', frame)
# 按 q 开始使用视频图片验证是否匹配
if cv2.waitKey(20) == 113:
# 获取人脸特征信息
face_list = face_recognition.face_locations(frame)
if len(face_list) > 0:
print("检测到人脸")
face0 = face_recognition.face_encodings(frame)# 遍历目录，查找存储的人脸图片信息
path_list = os.listdir('图片路径')
iss = 0
for i in path_list:
# 获取检测人脸与目录人脸对比信息
img1 = cv2.imread(f"图片路径\\{i}")
face1 = face_recognition.face_encodings(img1)
iss = np.linalg.norm(face0[0] - face1[0])
if iss < 0.3:
print(f"{iss},该人脸信息存在,{i}")
break
if iss < 0.3:
break
else:
print("该人脸信息不存在，将此照片存储")
cv2.imwrite("图片路径\\renwutest.png", frame)
break# 使用 esc 直接退出程序
if cv2.waitKey(1) == 27:
break
原文地址：https://blog.csdn.net/h0039490/article/details/143520587
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！