face_recognitiaon安装要基于dlib,安装dlib一定上官网去查对应的python安装的版本。通过cmd中pip install XXX。
本代码实现了功能：
考勤，即通过数据库的照片训练k近邻分类器，然后测试未知样本。
代码不足：关于编码解码的问题没有解决，图片中对应中文人名是乱码。希望集思广益，或者自己后期完善~（代码位置150~151处）
# 采用face_recognition包检测人脸去识别
#################################
# 1-引用模块
#################################
import math
from sklearn import neighbors
import os
import os.path
import pickle
from PIL import Image,ImageDraw
import face_recognition #安装见https://blog.csdn.net/wyx100/article/details/78556402
import face_recognition as fr
import sys #用于调试时，使用。
from face_recognition.face_recognition_cli import image_files_in_folder #文件夹中的图像
from sklearn.neighbors import KNeighborsClassifier #导入k近邻分类器
import sys
#################################
# 2-训练模型
#################################
#1.建立一个数据集x:128维度加上y一个维度，总共是129维度。
# 2.对每一个照片操作
# 3.决定n
# 4.训练出分类器
# 5.保存分类器
def train(train_dir,model_save_path='trained_knn_model.clf',n_neighbors=3,knn_algo='ball_tree'):
'''
功能：训练一个KNN分类器
:param train_dir: 训练目录。其下对每个已知的人，分别以其名字，建立一个文件夹
:param model_save_path:模型保存的位置
:param n_neighbors:邻居数默认为3
:param knn_algo: 支持KNN的数据结构；ball_tree是一种树型结构。
:return: KNN分类器
'''
#生成训练集
x=[] #注意x最终是18维。
y=[]
#遍历训练集中的每一个人
for class_dir in os.listdir(train_dir): #http://www.runoob.com/python/os-listdir.html
if not os.path.isdir(os.path.join(train_dir,class_dir)): #判断是否是目录
continue #结束当前循环，进入下一个循环。
#遍历这个人的每一张照片
for image_path in image_files_in_folder(os.path.join(train_dir,class_dir)):
image=fr.load_image_file(image_path) #传入人脸的位置
boxes=fr.face_locations(image) #定出人脸位置
#对于当前图片，增加编码到训练集合
x.append(fr.face_encodings(image,known_face_locations=boxes)[0]) #编码返回时一个128维度的向量。
y.append(class_dir)
#决定n
if n_neighbors is None:
n_neighbors=3
#训练出分类器
knn_clf=KNeighborsClassifier(n_neighbors=n_neighbors)
knn_clf.fit(x,y)
#保存分类器
if model_save_path is not None:
with open(model_save_path,'wb') as f:#wb，b二进制
pickle.dump(knn_clf,f) #模型存储
return knn_clf
# 预测
# prediction=predict(full_file_path,model_path='trained_knn_model.clf')
def predict(x_img_path,knn_clf=None,model_path=None,distance_threshold=0.35):
'''
利用KNN分类器识别给定的照片中的人脸
:param x_imag_path:必须对应照片的地址而不是照片的文件夹
:param knn_clf:
:param distance_threshold:
:return: [(人名1，边界盒子1),...]
'''
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（如果有）
#rb表示要读入的二进制数据
print('调试断点0')
# sys.exit(0)
if knn_clf is None:
print(model_path) #trained_knn_model.clf
with open(model_path,'rb') as f: #https://www.cnblogs.com/tianyiliang/p/8192703.html
knn_clf=pickle.load(f)
print(f)
print('调试断点1','*'*20)
# sys.exit(1)
#加载图片，发现人脸的位置
print(x_img_path)
# sys.exit(2)
x_img=fr.load_image_file(x_img_path) #https://blog.csdn.net/MG_ApinG/article/details/82252954
# x_img=fr.load_image_file(x_img_path) #Permission denied没有权限，原因是load_image_file需要打开文件的地址而不是文件夹的地址。
print('调试断点2','*'*20)
# sys.exit(2)
x_face_location=fr.face_locations(x_img)
print(x_face_location)
print('调试断点3','*'*20)
# sys.exit(3)
#对测试图片中的人脸进行编码
encodings=fr.face_encodings(x_img) #http://www.360doc.com/content/18/0403/18/48868863_742603302.shtml
print(encodings)
print(len(encodings[0])) #128个数据组成的向量
print('调试断点4','*'*20)
# sys.exit(4)
x_face_locations=fr.face_locations(x_img)
print('调试断点5','*'*20)
print(x_face_locations)
# sys.exit(5)
#利用KNN模型，找出与测试人员最匹配的人脸
#encodings:128个人脸特征的向量
closest_distace=knn_clf.kneighbors(encodings,n_neighbors=3)
print('调试断点6','*'*20)
print(closest_distace) #(array([[0.34381298, 0.35287966, 0.35839984]]), array([[3, 2, 7]], dtype=int64))
# sys.exit(6)
are_matches=[closest_distace[0][i][0]<=distance_threshold for i in range(len(x_face_locations))] #匿名函数， are_matches即是否匹配上
print('调试断点7','*'*20)
print(are_matches)
# sys.exit(7)
#预测类别，并remove classifications that aren't within the threshold即移除不在阀值内的分类
print(knn_clf.predict(encodings))
print(list(x_face_locations))
print(list(are_matches))
print(list(zip(knn_clf.predict(encodings),x_face_locations,are_matches)))
#pred 预测值，loc头像位置
return [(pred,loc) if rec else ('unknown',loc) for pred,loc,rec in zip(knn_clf.predict(encodings),x_face_locations,are_matches)] #zip 压缩http://www.runoob.com/python/python-func-zip.html
#结果可视化
def show_names_on_image(img_path,predictions):
'''
人脸识别可视化
:param img_path: 待识别图片的位置
:param predictions: 预测的结果
:return:
'''
pil_image=Image.open(img_path).convert('RGB') #将图片转换成格式 #https://blog.csdn.net/icamera0/article/details/50843172
draw=ImageDraw.Draw(pil_image) #ImageDraw类支持各种几何图形的绘制和文本的绘制https://blog.csdn.net/guduruyu/article/details/71213717
for name,(top,right,bottom,left) in predictions:
#用pillow模块画图人脸边界盒子
draw.rectangle( ((left,top),(right,bottom)),outline=(255,0,255))
#pillow 里可能生成UTF-8格式，所以这里做如下转换
#这里有draw不能解码出name字体的问题。
name=name.encode('utf-8')
name=name.decode('ISO-8859-1')
print('要打印的name是',type(name))
#在人脸下写下名字，作为标签
# sys.exit(1)
text_width,text_height=draw.textsize(name)
draw.rectangle(((left,bottom-text_height-10),(right,bottom)),fill=(0,0,0),outline=(0,0,0))
draw.text((left,bottom-text_height-10),name,(255,0,255))
#遍加名字到li_names
li_names.append(name)
#从内存删除draw
del draw
#显示结果图
pil_image.show()
#######################
#统计分析
#######################
#为了打印名字的集合
li_names=[]
#计算总人数
def count(train_dir):
'''
counts the total number of the set
:param train_dir:
:return:
'''
path=train_dir
count=0
for fn in os.listdir(path): #fn表示的是文件名
count=count+1
return count
#获取所有名字的列表
def list_all(train_dir):
'''
determine the list of all names
:param train_dir:
:return:
'''
path=train_dir
result=[]
for fn in os.listdir(path):#fn表示的是文件夹名
result.append(fn)
return result
#输出结果
def stat_output():
s_list=set(li_names)
s_list_all=set(list_all('examples/train'))
if 'unknown'in s_list:
s_list.remove('unknown')
print('查阅',s_list)
tot_num=count('examples/train')
s_absent=set(s_list_all-s_list) #未到人数
print('\n')
print('***********************\n')
print('全体名单',s_list_all)
print('已到名单',s_list)
print('应到人数',tot_num)
print('已到人数',len(s_list))
print('出勤率:{:.2f}'.format(float(len(s_list))/float(tot_num)))
print('未到：',s_absent)
#######################
#运行
#######################
if __name__ == '__main__': #主函数
# sys.exit()
#1. 训练KNN分类器（它可以保存，以便再使用）
#如果有模型时，就不要进行训练了。
# print('正在训练KNN分类器')
# classifier=train('examples/train',model_save_path='trained_knn_model.clf',n_neighbors=3)
# print('完成费时间的KNN分类器训练，训练结束')
# 2 利用训练好的分类器，对新图片进行预测
for image_file in os.listdir('examples/test'): #对测试文件夹
for picture_flie in os.listdir('examples/test/{}'.format(image_file)):
full_file_path=os.path.join('examples/test/{}'.format(image_file),picture_flie) #图片对应的完整的位置，image_file对应图片对应的文件夹
print( 'full_file_path：',full_file_path)
print(picture_flie)
# sys.exit(0)
print('正在在 {} 中寻找人脸ing'.format(image_file))
# sys.exit(0)
# 利用分类器，找出所有的人脸
# 要么传递一个classifier文件名，要么一个classifer模型实例
prediction=predict(full_file_path,model_path='trained_knn_model.clf')
print(prediction)
print('完成{}一次{}人脸预测'.format(image_file,picture_flie),'+'*50)
# sys.exit(1)
#打印结果
for name,(top,right,bottom,left) in prediction:
print('发现人脸 :{}； 人脸位置：（{}，{}，{}，{}）'.format(name,top,right,bottom,left))
# sys.exit()
# # 在图片上显示预测结果
show_names_on_image(os.path.join('examples/test/{}'.format(image_file),picture_flie),prediction)
# sys.exit()
#3.输出统计结果
stat_output()运行结果：
所提及的图像编码乱码：如下
英文的则不会出问题，如下：
