Reconocimiento de rostros - dlib (versión de Python)

dlib Introducción

       Dlib es un moderno C ++ marco para abordar incluyen algoritmos de aprendizaje automático y el desarrollo de software del verdadero problema complejo, que es ampliamente utilizado en la investigación académica e industrial, incluyendo la robótica, dispositivos embebidos, teléfonos móviles y entornos a gran escala de computación de alto rendimiento, dlib Fuente abierta hace que el proceso sea fácil de usar, libre. Sus principales características son: la documentación del código, de alta calidad total, aprendizaje automático algoritmos, algoritmos de computación científica, algoritmos modelo gráfico de inferencia, procesamiento de imágenes, temas, programación de la red, la interfaz gráfica de usuario, compresión de datos y algoritmo de integración, puede consultar el sitio web oficial Descripción: http: //dlib.net
 

programa

import sys
import os
import dlib
import glob
import numpy
from os import listdir

# 1. 人脸关键点检测器
predictor_path = "shape_predictor_5_face_landmarks.dat"

# 2. 人脸识别模型
face_rec_model_path = "dlib_face_recognition_resnet_model_v1.dat"

# 3. 候选人脸文件夹
faces_folder_path = "picture/known"

# 4. 需识别的人脸
img_path = "picture/unknown/1.jpg"


# 1. 加载人脸检测器: detector有两种选择，其中dlib.cnn_face_detection_model_v1使用的cnn进行检测
detector = dlib.get_frontal_face_detector()
# detector = dlib.cnn_face_detection_model_v1("mmod_human_face_detector.dat")

# 2. 加载人脸关键点检测器
sp = dlib.shape_predictor(predictor_path)

# 3. 加载人脸识别模型
facerec = dlib.face_recognition_model_v1(face_rec_model_path)

"""
    对文件夹下的每个人脸进行：
    1. 人脸检测
    2. 关键点检测
    3. 描述子提取
"""
# 候选人脸描述子list
descriptors = []

# 保存已知的人脸名字
known_face_names=[]

# win = dlib.image_window()

def getKnownFaceNamesAndDescriptors(path, names, descriptors):
    fileNameList = listdir(path)
    for fileName in fileNameList:
        filePath = path + "/" + fileName
        # filePath = os.path.join(faces_folder_path, fileName)
        index = fileName.rfind('.')
        names.append(fileName[:index])

        print("Processing file: {}".format(filePath))
        img = dlib.load_rgb_image(filePath)
        # win.clear_overlay()
        # win.set_image(img)

        # 1. 人脸检测
        dets = detector(img, 1)
        print("Number of faces detected: {}".format(len(dets)))

        # 处理我们找到的每个人脸
        for k, d in enumerate(dets):
            # 2. 关键点检测
            shape = sp(img, d)

            # 画出人脸区域和关键点
            # win.clear_overlay()
            # win.add_overlay(d)
            # win.add_overlay(shape)

            # 3. 描述子提取，128D向量
            face_descriptor = facerec.compute_face_descriptor(img, shape)

            # 转换为numpy array
            v = numpy.array(face_descriptor)
            descriptors.append(v)


def recognition(img):
    # 对需要识别的人脸进行同样处理: 人脸检测，关键点检测，描述子提取
    # img = dlib.load_rgb_image(img_path)
    dets = detector(img, 1)

    dist = []
    for k, d in enumerate(dets):
        shape = sp(img, d)
        face_descriptor = facerec.compute_face_descriptor(img, shape)
        d_test = numpy.array(face_descriptor)

        # 计算欧式距离
        for i in descriptors:
            dist_ = numpy.linalg.norm(i-d_test)
            dist.append(dist_)

    # 候选人和距离组成一个dict
    c_d = dict(zip(known_face_names, dist))

    cd_sorted = sorted(c_d.items(), key=lambda d:d[1])
    print("The preson is:",cd_sorted[0][0])
# dlib.hit_enter_to_continue()

if __name__ == "__main__":
    # 获取已知图片的名字和描述子
    getKnownFaceNamesAndDescriptors(faces_folder_path, known_face_names, descriptors)

    # 加载待识别的图像
    img = dlib.load_rgb_image(img_path)
    # 识别
    recognition(img)

observación 

Puede descargar los archivos necesarios de la siguiente ruta:

http://dlib.net/files/shape_predictor_5_face_landmarks.dat.bz2
http://dlib.net/files/dlib_face_recognition_resnet_model_v1.dat.bz2