dlib人脸识别加框

from skimage import io,color import dlib from skimage.feature import hog import matplotlib.pyplot as plt #2 导入图片，简化处理 image=io.imread(r"C:\Users\hp\Desktop\FaceDetection\eg.png") image=color.rgb2gray(image) #3 计算HOG pixels 像素 cells 方格 block 区间 array,hog_image=hog(image,visualise=True) #4 可视化，作图 fig,(ax1,ax2)=plt.subplots(1,2,figsize=(8,4)) ax1.imshow(image,cmap=plt.cm.gray) ax2.imshow(hog_image,cmap=plt.cm.gray) plt.show()

图中人脸加框

####人脸标识代码 from skimage import io import dlib #1 获取图片，转换成数组 file_name="li_00.jpg" image=io.imread(file_name) #2 建立一个人脸探测器 detector=dlib.get_frontal_face_detector() #3 运行在图片上 detector_faces=detector(image,1) print("发现{}张人脸，在{}图片中".format(len(detector_faces),file_name)) #4 提取人脸“68点”特征 model="shape_predictor_68_face_landmarks.dat" # 提取特征 predictor=dlib.shape_predictor(model) #5 建立窗口 win=dlib.image_window() win.set_image(image) #6 遍历识别的每一张脸，去操作 for i,box in enumerate(detector_faces): win.add_overlay(box) print("第{}张人脸的左边位置:{}，右边位置：{}".format(i,box.left(),box.right())) landmarks=predictor(image,box) win.add_overlay(landmarks) dlib.hit_enter_to_continue()

KNN

import os from sklearn import neighbors import os.path import pickle from PIL import Image,ImageDraw import face_recognition as fr from face_recognition.face_recognition_cli import image_files_in_folder #定义一个训练模型的函数 def train(train_dir,model_save_path='face_recog_model.clf',n_neighbors=3,knn_algo='ball tree'): #生成训练集 X=[] Y=[] #遍历训练集中的每一个人 class_dir是获取到的人名 for class_dir in os.listdir(train_dir): if not os.path.isdir(os.path.join(train_dir,class_dir)): continue #结束当前循环，进入下一个循环 #遍历这个人每一张图片 img_path是获取到的具体的人文件夹下的一张图片名 for img_path in image_files_in_folder(os.path.join(train_dir,class_dir)): image= fr.load_image_file(img_path) boxes=fr.face_locations(image) #对于当前的图片，增加编码至训练集 X.append(fr.face_encodings(image,known_face_locations=boxes)[0]) #返回128维度的向量 Y.append(class_dir) #决定K值 (KNN) if n_neighbors is None: n_neighbors=3 #创建并且训练分类器 knn_clf=neighbors.KNeighborsClassifier(n_neighbors=n_neighbors) knn_clf.fit(X,Y) #保存训练好的分类器 if model_save_path is not None: with open(model_save_path,'wb') as f: pickle.dump(knn_clf,f) return knn_clf #使用模型预测 def predict(img_path,knn_clf=None,model_path=None,distance_threshold=0.5): if knn_clf is None and model_path is None: raise Exception("必须提供KNN分类器，可选方式为knn_clf或model_path") #加载训练好的KNN模型 if knn_clf is None: with open(model_path,"rb") as f: knn_clf=pickle.load(f) #加载图片，发现人脸的位置 X_img=fr.load_image_file(img_path) X_face_locations=fr.face_locations(X_img) #对测试图片中的人脸编码 返回的是128个人脸特征构成的向量 encondings=fr.face_encodings(X_img,known_face_locations=X_face_locations)[0] #利用KNN model找出与测试人脸最匹配的人脸 closest_distances=knn_clf.kneighbors(encondings,n_neighbors=1) are_matches=[closest_distances[0][i][0]<=distance_threshold for i in range(len(X_face_locations)) ] #预测类别 return [(pred,loc) if rec else("unknown",loc) for pred,loc ,rec in zip(knn_clf.predict(encondings),X_face_locations,are_matches)] #人脸识别可视化函数 def show_names_on_image(img_path,predictions): pil_image=Image.open(img_path).convert("RGB") draw=ImageDraw.Draw(pil_image) for name,(top,right,bottom,left) in predictions: #用Pillow模块画出人脸边界盒子 draw.rectangle(((left,top),(right,bottom)),outline=(255,0,255)) #pillow里可能生成非UTF-8格式，所以做如下的转换 name=name.encode("UTF-8") name=name.decode("ascii") #在人脸下写下名字，作为标签 text_width,text_height=draw.textsize(name) draw.rectangle(((left,bottom-text_height-10),(right,bottom)), fill=(255,0,255),outline=(255,0,255)) draw.text((left+6,bottom-text_height-5),name,fill=(255,255,255)) del draw pil_image.show() #主函数 if __name__=="__main__": #1 训练KNN分类器，可以先保存，后面使用 print("正在训练KNN分类器~~~~") train("examples/train",model_save_path="face_recog_model.clf",n_neighbors=2) print("训练完成") #2 利用训练好的分类器，对新照片进行预测 for image_file in os.listdir("examples/test"): full_file_path=os.path.join("examples/test",image_file) print("在{}中寻找人脸……".format(image_file)) #利用分类器，找出所有的人脸： #要么传递一个classifier文件名，要么传一个classifier模型实例 predictions=predict(full_file_path,model_path="face_recog_model.clf") #打印结果 for name,(top,right,bottom,left) in predictions: print("发现{}，位置:({},{},{},{})".format(name,top,right,bottom,left)) #在图片上显示预测结果 show_names_on_image(os.path.join("examples/test",image_file),predictions)