0, orden
face_recognition afirma ser el proyecto de reconocimiento facial más poderoso y simple de la historia. Se informa que el proyecto fue desarrollado por Adam Geitgey, un desarrollador y consultor de ingeniería de software. Su fortaleza no solo se basa en el modelo de aprendizaje profundo en la biblioteca de código abierto C ++ líder en la industria, dlib, sino también en el conjunto de datos faciales utilizados por la Universidad. of Massachusetts Amn Laked Faces in the Wild, producido por la Universidad de Manchester, contiene más de 13.000 imágenes faciales recopiladas de Internet, con una tasa de precisión del 99,38%. Además, el proyecto también está equipado con documentos de desarrollo completos y casos de aplicación, especialmente compatibles con el sistema Raspberry Pi. La simplicidad es que el operador puede usar directamente Python y herramientas de línea de comandos para extraer, reconocer y manipular rostros humanos.
El portal del proyecto github: https://github.com/ageitgey/face_recognition Los
siguientes recursos de procesamiento de imágenes relacionados con la demostración se obtienen a través de opencv para obtener los datos de imagen en tiempo real de la cámara, y luego opencv y los requisitos relacionados relacionados para La operación opencv se ha instalado de forma predeterminada. Algunas bibliotecas y componentes dependientes.
1. Preparación ambiental
1.1. Instale la biblioteca face_recognition:
pip3 install face_recognition
1.2. Instale la biblioteca dlib:
wget http://dlib.net/files/dlib-19.17.tar.bz2
tar jxvf dlib-19.17.tar.bz2
cd dlib-19.17
修改在dlib/cuda/目录下的该 cudnn_dlibapi.cpp文件中
gedit dlib/cuda/cudnn_dlibapi.cpp
找到对应的一行代码，进行删除(可以采用注释的方式删除)
forward_algo = forward_best_algo;
//forward_algo = forward_best_algo;
编译安装
sudo python3 setup.py install
1.3. Instalar pepinillos
pip3 install pickle
2 、 Codificación
2.1. Registro facial y datos de clasificación guardados
import face_recognition
import cv2
import os
import pickle
print(cv2.__version__)
Encodings=[]
Names=[]
image_dir='/home/colin/works/face_recognition_dlib/face_register'
for root, dirs, files in os.walk(image_dir):
print(files)
for file in files:
path=os.path.join(root,file)
print(path)
name=os.path.splitext(file)[0]
print(name)
person=face_recognition.load_image_file(path)
encoding=face_recognition.face_encodings(person)[0]
Encodings.append(encoding)
Names.append(name)
print(Names)
with open('train.pkl', 'wb') as f:
pickle.dump(Names, f)
pickle.dump(Encodings, f)
2.2, reconocimiento facial en tiempo real
import os
import face_recognition
import cv2
import time
import numpy as np
import pickle
import image_shop
save_switch = 0
catch_max = 50
Encodings=[]
Names=[]
font = cv2.FONT_HERSHEY_SIMPLEX
#640 480 320 240
def gstreamer_pipeline(
capture_width=640,
capture_height=480,
display_width=640,
display_height=480,
framerate=30,
flip_method=0,
):
return (
"nvarguscamerasrc ! "
"video/x-raw(memory:NVMM), "
"width=(int)%d, height=(int)%d, "
"format=(string)NV12, framerate=(fraction)%d/1 ! "
"nvvidconv flip-method=%d ! "
"video/x-raw, width=(int)%d, height=(int)%d, format=(string)BGRx ! "
"videoconvert ! "
"video/x-raw, format=(string)BGR ! appsink"
% (
capture_width,
capture_height,
framerate,
flip_method,
display_width,
display_height,
)
)
def train_data_load( ):
global Names, Encodings
with open('train.pkl','rb') as f:
Names=pickle.load(f)
Encodings=pickle.load(f)
def catch_face(startX, endX, startY, endY, image):
global save_switch
face_pic = image[startY -50: endY + 50, startX-50 : endX + 50]
face_name = 'Unkown'
if face_pic.size > 0:
face_name = face_recognition_frame(face_pic)
return face_name
def face_recognition_frame(frame):
global Names, Encodings, font
frameSmall =cv2.resize(frame,(0,0),fx=.25, fy=.25)
frameRGB=cv2.cvtColor(frameSmall,cv2.COLOR_BGR2RGB)
facePositions=face_recognition.face_locations(frameRGB,model='cnn')
allEncodings=face_recognition.face_encodings(frameRGB,facePositions)
for (top,right,bottom,left),face_encoding in zip(facePositions,allEncodings):
name='Unkown'
matches=face_recognition.compare_faces(Encodings,face_encoding, tolerance=0.5)
if True in matches:
#first_match_index=matches.index(True)
#name=Names[first_match_index]
face_distance = face_recognition.face_distance(Encodings, face_encoding)
best_match_index = np.argmin(face_distance)
name = Names[best_match_index]
top = top * 4
right = right * 4
bottom = bottom * 4
left = left * 4
if top - 6 > 10:
mark_loc = (left, top-6)
else:
mark_loc = (left, bottom-6)
if name == 'Unkown':
cv2.rectangle(frame, (left, top), (right, bottom), (0,0,255), 2)
cv2.putText(frame, name, mark_loc, font, .5, (255,0,0), 2)
else:
cv2.rectangle(frame, (left, top), (right, bottom), (0,255,0), 2)
cv2.putText(frame, name, mark_loc, font, .5, (0,0,255), 2)
frame = image_shop.mark_add(left, right, top, bottom, frame)
#return name
resImage = frame
return resImage
def CatchVideo(window_name, camera_idx):
global save_switch, catch_switch, catch_max
cv2.namedWindow(window_name)
#CSI Camera for get pipeline
cap = cv2.VideoCapture(gstreamer_pipeline(flip_method=camera_idx), cv2.CAP_GSTREAMER)
while cap.isOpened():
ok, frame = cap.read() #read 1 frame
if not ok:
break
resImage = face_recognition_frame(frame)
#display
cv2.imshow(window_name, resImage)
c = cv2.waitKey(1)
if c & 0xFF == ord('q'):
break
#close
cap.release()
cv2.destroyAllWindows()
if __name__ == '__main__':
print('main menu:\n\t1 -reload face register\n\t2 -run\n\t3 -exit\n')
choose = input("input your choose:")
train_data_load()
CatchVideo("Find face", 0)
3. Efecto de demostración
Apéndice de referencia
1) También hay un gran hombre en Youtube que está haciendo videos de aprendizaje de hardware de código abierto relacionado como jetson nano
https://toptechboy.com/
2) El proyecto de reconocimiento facial más simple de la historia está en la lista de tendencias de GitHub