prefacio
- Primero use OpenCV para juzgar si la imagen está borrosa, si está borrosa, debe volver a tomarse;
- Luego use el reconocimiento facial para detectar si hay un rostro humano en la imagen y luego continúe con el siguiente paso;
- Luego use face_recognition para calcular la codificación facial de 128 dimensiones de cada rostro en la imagen;
- Finalmente, use face_recognition para comparar los códigos de cara calculados esta vez con los que se han calculado antes, y obtenga un resultado con la mayor similitud.
- Los códigos faciales calculados mencionados en el paso anterior se pueden almacenar en bases de datos vectoriales, como Milvus, Proxima, etc., para que se puedan consultar directamente desde la base de datos al comparar. Uso Milvus, el sitio web oficial tiene sus adiciones, eliminaciones, modificaciones y documentos de verificación , y el SDK uso PyMilvus, presta atención para elegir la versión correspondiente a tu versión de Milvus al instalar PyMilvus, no puedes instalarlo mal, esto es indicado en la documentación y GitHub Milvus tiene un programa de administración de GUI, Attu , que también se presenta en la documentación de Milvus.Puede ver los datos en la base de datos en la página web.
- Solo OpenCV también se puede usar para el reconocimiento facial.No lo he probado.Hay enlaces de referencia.
Antes de escribir este artículo, nunca había estado en contacto con este aspecto. Verifiqué algunos conocimientos básicos, que están todos en el enlace de referencia, gracias por compartir.
Instalar
linux
La instalación de la biblioteca dlib es diferente a la de Windows, y los demás pasos son los mismos. Solo probé CentOS 7.9.2009, y hay miniconda en el servidor.
conda install -c conda-forge dlib, instala la biblioteca dlib.
Graba el proceso de solución del fallo de instalación de la librería dlib, y conoce conda-forge
Instale dlib_Batman en el sistema Linux. Blog-CSDN blog_linux instalación dlib
ventanas
Comparado con linux, la instalación de windows es un poco complicada
- pip instalar cmake
- impulso de instalación de pip
- Descargue el archivo whl de la biblioteca dlib desde pypi o github u otros lugares. La versión debe ser consistente con su versión de python. Para obtener detalles sobre cómo elegir la versión, consulte mi artículo anterior y use pip install para instalarlo.
- instalación de pip face_recognition
- pip instalar opencv-python
usar
Debe preparar algunas imágenes que contengan caras y ponerlas en una carpeta, preferiblemente el frente de la cara, luego prepare una imagen de una cara y póngala en el mismo directorio que la carpeta. Las personas en esta imagen deben ser las mismas que el archivo Una imagen en la carpeta es de la misma persona.
Por ejemplo, si hay dos imágenes de Jay Chou, una se coloca en la carpeta y la otra se coloca en el directorio al mismo nivel que la carpeta, y luego algunas imágenes que no son de Jay Chou se colocan en la carpeta.
Tome esta imagen de rostro fuera de la carpeta y compárela con todas las imágenes de rostro en la carpeta para ver si coincide con la misma persona. El principio de coincidencia específico se encuentra en los comentarios del código y el enlace de referencia al final del artículo.
prueba local
import face_recognition
import os
import time
from numpy import array # 若不加这一行，对从文件中读取已保存的128维人脸编码执行eval()时，报错name 'array' is not defined
import cv2
t1 = time.time()
# 路径中不能有中文
source_img_file_path = r"C:\Users\PC-1\Desktop\ZhouJieLun1.png"
img_folder_path = r"C:\Users\PC-1\Desktop\face_img"
# 获取列表的第二个元素
def takeSecond(elem):
return elem[1]
# 判断图片是否清晰，参数是图片的绝对路径
def getImageVar(imgPath: str) -> bool:
image = cv2.imread(imgPath)
img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
imageVar = cv2.Laplacian(img2gray, cv2.CV_64F).var() # 一般大于100时认为图片是清晰的，实际需根据情况调节
if imageVar <= 100:
return False
elif imageVar > 100:
return True
# 检测图片中是否有人脸。能接受不完整的人脸，如缺少鼻子以下，此时是能否检测到人脸的阈值之一，人脸中其他部位的缺少情况未测试
def check_face_img(img_path: str) -> bool:
img = face_recognition.load_image_file(img_path) # 加载图像。会将图像加载到 numpy 数组中。
result = face_recognition.face_locations(img) # 返回图像中每张人脸的人脸特征位置列表。图像中没有人脸时，返回空列表
if len(result)>0:
return True
else:
return False
# 获取图片库中每张图片的128维人脸编码，用于传给face_recognition.face_distance()的face_encodings参数
def get_face_encodings(img_folder_path):
img_face_encoding_list = [] # 每个元素是文件夹中所有图片的128维人脸编码
img_path_list = [] # 每个元素是文件夹中图片的绝对路径
img_list = os.listdir(img_folder_path)
for img in img_list:
img_path = os.path.join(img_folder_path, img)
if getImageVar(img_path) and check_face_img(img_path):
img_path_list.append(img_path)
img = face_recognition.load_image_file(img_path) # 加载图像
img_face_encoding = face_recognition.face_encodings(img)[0] # 返回图像中每张人脸的 128 维人脸编码。后面使用face_recognition.face_distance()时，face_recognition.face_distance()的face_encodings参数中的值不能是由face_recognition.face_encodings(img)组成的，而应由face_recognition.face_encodings(img)[0]组成。
img_face_encoding_list.append(img_face_encoding)
elif not getImageVar(img_path):
print(f'{img_path}图片太模糊，请重新拍摄，入库时已忽略此图片')
elif not check_face_img(img_path):
print(f'{img_path}没有检测到完整人脸，请重新拍摄，入库时已忽略此图片')
return img_face_encoding_list, img_path_list
img_face_encoding_list, img_path_list = get_face_encodings(img_folder_path)
# 从本地文件读取已保存的图片库中每张图片的128维人脸编码，节省计算时间
def get_face_encodings_from_file():
with open(r"C:\Users\PC-1\Desktop\img_face_encoding_list.txt", 'r', encoding='utf-8') as f:
img_face_encoding_list = eval(f.read()) # 需from numpy import array，否则eval()报错name 'array' is not defined
img_path_list=[]
img_list = os.listdir(img_folder_path)
for img in img_list:
img_path = os.path.join(img_folder_path, img)
img_path_list.append(img_path)
return img_face_encoding_list, img_path_list
# img_face_encoding_list, img_path_list = get_face_encodings_from_file()
if getImageVar(source_img_file_path) and check_face_img(source_img_file_path):
img = face_recognition.load_image_file(source_img_file_path)
# face_locations = face_recognition.face_locations(img) # 返回图像中每张人脸的人脸特征位置列表。face_locations为（顶部、右侧、底部、左侧）顺序找到的人脸位置的元组列表
source_img_face_encoding = face_recognition.face_encodings(img)[0]
result = face_recognition.face_distance(face_encodings=img_face_encoding_list, face_to_compare=source_img_face_encoding) # 给定人脸编码列表，将它们与已知的人脸编码进行比较，并得到每个比较人脸的欧氏距离。距离大小为面孔的相似程度。欧氏距离越小相似度越大。欧氏距离的典型阈值是0.6，即小于0.6的可认为匹配成功。face_encodings是要比较的人脸编码列表，face_to_compare是要与之进行比较的人脸编码。
temp_list = list(zip(img_path_list, result))
temp_list.sort(key=takeSecond) # 将原列表按列表中每个子元素中的第二个元素的值进行升序排列
print(temp_list)
if temp_list[0][-1] < 0.6: # 升序排列后第一个元素的相似度最高，如果它的欧氏距离小于0.6，认为匹配成功
print(temp_list[0])
else:
print('匹配失败') # 有可能不是本人，也有可能是本次拍摄时不清晰
elif not getImageVar(source_img_file_path):
print('图片太模糊，请重新拍摄')
elif not check_face_img(source_img_file_path):
print('没有检测到完整人脸，请重新拍摄')
t2 = time.time()
print(t2-t1) # 每次运行都计算所有图片的特征值，与6张图片对比耗时4.7秒；直接从本地文件读取已保存的图片库中每张图片的128维人脸编码，与6张图片对比耗时0.6秒。Ejemplo de contenido de img_face_encoding_list.txt
[array([-0.01729634, 0.10430054, 0.07625537, 0.03276102, -0.07866749,
-0.02818274, -0.06889073, -0.04842021, 0.13796961, -0.05026057,
0.23302871, 0.00723806, -0.2370982 , -0.01487464, -0.06505933,
0.10084826, -0.1636425 , -0.07501083, -0.12756079, -0.10016631,
0.04007092, 0.0581928 , 0.03240498, -0.01134465, -0.13176998,
-0.2787565 , -0.07050405, -0.09639949, 0.09951212, -0.14790948,
0.03040591, 0.0431371 , -0.15323421, 0.01086914, 0.0220076 ,
0.01904444, -0.00923841, -0.06280316, 0.18326622, 0.03018811,
-0.14447245, -0.01474072, -0.01069712, 0.24571334, 0.24511024,
0.02628675, -0.04335158, -0.0862942 , 0.06775976, -0.25436637,
0.011755 , 0.20667061, 0.05011301, 0.13582194, 0.05677999,
-0.16563055, 0.02566983, 0.11052104, -0.15707225, -0.00112594,
0.02829274, -0.05549442, -0.03616317, -0.05381152, 0.13676476,
0.04478186, -0.09165385, -0.12494379, 0.12897444, -0.18318115,
-0.00553679, 0.09620941, -0.12292095, -0.19553109, -0.20274746,
0.08238635, 0.38079879, 0.18709588, -0.14765534, 0.01780803,
-0.05188759, -0.02483106, 0.03612664, -0.0149317 , -0.10475352,
-0.05023222, -0.05713973, 0.07221895, 0.14290087, -0.05685572,
0.01866397, 0.22389664, -0.04868836, 0.01686323, 0.02283146,
-0.01206459, -0.05818488, 0.05559994, -0.09816868, 0.00713632,
0.06758018, -0.11922558, 0.04631898, 0.06196419, -0.13793124,
0.0963118 , 0.01178237, -0.03925588, 0.04579747, 0.01644197,
-0.13718042, -0.04710923, 0.24413618, -0.24439959, 0.27725762,
0.2127548 , 0.04380967, 0.12280341, 0.07158501, 0.13633233,
-0.03227835, -0.03378378, -0.09766266, -0.03692475, 0.01623037,
-0.04219364, -0.03954222, -0.04019544]), array([-3.03432867e-02, 5.43443598e-02, 6.78744391e-02, 2.58869212e-02,
-1.23072207e-01, -7.02521503e-02, -4.98226285e-02, -1.72496010e-02,
7.67212510e-02, -4.26685344e-03, 1.95951223e-01, -1.67683400e-02,
-2.15903431e-01, -4.35754284e-03, -3.12260389e-02, 7.05019981e-02,
-1.18235752e-01, -8.07965323e-02, -1.49761930e-01, -1.44610867e-01,
3.96064669e-02, 4.81094792e-02, 8.37654807e-03, -3.67331831e-03,
-1.19957335e-01, -2.90346920e-01, -8.59770030e-02, -1.07959040e-01,
1.21038556e-01, -1.51315838e-01, 3.27938870e-02, 4.70837858e-03,
-1.73844323e-01, -3.17394398e-02, 2.35435199e-02, 1.66472271e-02,
-1.98804624e-02, -9.39380080e-02, 1.69165611e-01, 6.68221340e-03,
-1.77107140e-01, 1.08059309e-02, 2.33938862e-02, 2.76533812e-01,
2.21089691e-01, 2.53173988e-02, -1.82928685e-02, -5.52510098e-02,
6.09008260e-02, -2.64982283e-01, 3.63944210e-02, 1.93908125e-01,
1.00877725e-01, 1.14827916e-01, 7.65965059e-02, -1.46504432e-01,
3.48312259e-02, 1.25334620e-01, -1.56430572e-01, 2.46226899e-02,
2.86777914e-02, -3.82297374e-02, -1.68778505e-02, -1.19121701e-01,
1.69600606e-01, 4.99524400e-02, -8.64719599e-02, -1.21018678e-01,
1.09727934e-01, -1.94434166e-01, -3.34550738e-02, 8.30303952e-02,
-1.11592978e-01, -1.87120140e-01, -2.38885000e-01, 1.09276593e-01,
3.92007828e-01, 2.01715931e-01, -1.94086283e-01, 2.30474807e-02,
-8.15587863e-02, -1.26086362e-02, 2.73021199e-02, -1.08986711e-02,
-1.09373406e-01, -5.31885028e-03, -8.07625800e-02, 6.63535371e-02,
1.74903929e-01, -9.10659656e-02, 3.04515511e-02, 1.86322704e-01,
-2.50804201e-02, 9.74564068e-03, 2.13033091e-02, -3.06630391e-04,
-1.11615628e-01, 3.51248235e-02, -9.08284336e-02, 1.10836141e-03,
1.00318097e-01, -1.36240765e-01, 5.00137471e-02, 8.65165964e-02,
-1.79704651e-01, 1.37958780e-01, 5.58579108e-04, -7.75038823e-02,
1.49468854e-02, 1.46387927e-02, -8.91202837e-02, -3.77928428e-02,
2.32269630e-01, -2.34496534e-01, 2.73653299e-01, 2.40941241e-01,
3.94841023e-02, 1.35746434e-01, 5.84627874e-02, 1.05018303e-01,
-5.28650098e-02, -1.84285827e-02, -1.11144938e-01, -4.56666909e-02,
1.28744273e-02, -4.79294769e-02, -4.71757315e-02, -6.85334997e-03]), array([-1.19727597e-01, 2.37059481e-02, 5.41203022e-02, -5.31067979e-03,
-1.02095716e-01, -6.70940429e-02, 5.28478026e-02, -9.28077772e-02,
1.14727125e-01, -5.81904836e-02, 1.65611401e-01, -9.44045261e-02,
-2.55105197e-01, -4.14437950e-02, -2.89703198e-02, 1.06697828e-01,
-9.61818695e-02, -1.10643283e-01, -1.84341758e-01, -9.77335051e-02,
8.45019799e-03, 6.26069605e-02, -1.26636475e-02, 5.73121430e-03,
-1.16348065e-01, -2.58341700e-01, -7.38507137e-02, -1.35549113e-01,
6.04273453e-02, -6.86645284e-02, 3.62175442e-02, 1.11231357e-01,
-1.17278963e-01, -5.90739734e-02, 2.98288725e-02, 3.80353555e-02,
8.69030412e-03, -8.14783499e-02, 2.00276792e-01, -3.30614746e-02,
-1.73424274e-01, -8.51858705e-02, 8.01797211e-02, 1.89619228e-01,
1.80681810e-01, -3.04257311e-02, 8.26369599e-03, -1.84000656e-02,
3.17999758e-02, -2.45052502e-01, -3.82037610e-02, 1.40862808e-01,
1.22625537e-01, 9.89214256e-02, 5.23140244e-02, -1.46283448e-01,
-8.13427381e-03, 1.29438370e-01, -1.73568085e-01, 7.16047511e-02,
1.99302640e-02, -1.64908677e-01, -6.60278201e-02, -2.77188811e-02,
1.60548747e-01, 8.64261240e-02, -8.74619484e-02, -1.47788346e-01,
1.73828602e-01, -1.89269871e-01, -4.95751537e-02, 8.37096721e-02,
-1.09814622e-01, -1.14491023e-01, -2.01664209e-01, 2.60536000e-03,
3.81230652e-01, 1.08411252e-01, -1.66443884e-01, -6.42048474e-03,
-1.52495116e-01, -6.41984940e-02, -2.20064986e-02, 8.72708671e-03,
-3.22415009e-02, -1.00544520e-01, -9.76137221e-02, -1.15213916e-04,
2.00150207e-01, -7.71829262e-02, 1.90558862e-02, 1.59315109e-01,
-2.54158806e-02, -5.27779348e-02, -2.89773215e-02, -4.60110046e-03,
-1.19977474e-01, -8.91544484e-03, -2.61534844e-03, -5.38323261e-02,
9.46650878e-02, -1.22638777e-01, 4.54899520e-02, 9.24251229e-02,
-1.47666842e-01, 1.31898567e-01, -3.10513265e-02, -2.91747078e-02,
3.84223610e-02, -3.18786129e-02, -2.67100539e-02, -5.41412318e-03,
2.24448472e-01, -1.44214451e-01, 2.11022705e-01, 1.61338180e-01,
-4.03464250e-02, 1.21684045e-01, 2.53224019e-02, 1.12374000e-01,
-1.62403062e-02, 1.75351724e-02, -1.21122740e-01, -1.05977543e-01,
1.91601515e-02, -2.42309403e-02, -3.90784908e-03, 9.26381629e-03])]Guarde el código de la cara en Milvus
Código de muestra en los documentos
Primero publique el código básico utilizado en el documento. Lo copié paso a paso de acuerdo con las indicaciones del documento. Aquí solo probé insertar y consultar. Hay indicaciones para el siguiente paso al final de cada página (el chino en el La captura de pantalla es la traducción del navegador), debe cambiar el host a su propia IP del servidor cuando use el código.
El enlace al documento chino en el comentario del código ahora saltó al documento en inglés, porque informé que había un problema con el documento chino , y luego el funcionario eliminó el documento chino, o aunque no se eliminó, estabas no se le permite acceder al documento chino.
from pymilvus import connections, CollectionSchema, FieldSchema, DataType, Collection
import random
# 代码是从2.0.0中文文档复制的
# 从gitee的README中https://gitee.com/milvus-io/milvus#%E5%90%AF%E5%8A%A8-milvus中'安装 Milvus 单机版'进入中文文档https://milvus.io/cn/docs/v2.0.0/install_standalone-docker.md
# 从github的README中https://github.com/milvus-io/milvus#install-milvus中'Standalone Quick Start Guide'进入英文文档https://milvus.io/docs/v2.0.x/install_standalone-docker.md
# 中文文档可能有字母大小写错误(会导致报错)，最好看英文文档
connections.connect(alias="default", host='YOUR HOST', port='19530') # 构建一个 Milvus 连接，alias是创建的Milvus连接的别名
# 准备架构，包括字段架构、集合架构和集合名称。
book_id = FieldSchema(
name="book_id",
dtype=DataType.INT64,
is_primary=True,
)
word_count = FieldSchema(
name="word_count",
dtype=DataType.INT64,
)
book_intro = FieldSchema(
name="book_intro",
dtype=DataType.FLOAT_VECTOR, # 一个集合中必须有一个字段是DataType.FLOAT_VECTOR或DataType.BINARY_VECTOR类型，文档原话The collection to create must contain a primary key field and a vector field. INT64 is the only supported data type for the primary key field in current release of Milvus. from https://milvus.io/cn/docs/v2.0.0/create_collection.md#Prepare-Schema
dim=2 # 向量列数，一个向量有多少个元素就有多少列。
)
schema = CollectionSchema(
fields=[book_id, word_count, book_intro],
description="Test book search"
)
collection_name = "book"
# 使用架构创建集合
collection = Collection(
name=collection_name,
schema=schema,
using='default', # 服务器别名，要在哪个服务器创建集合
shards_num=2,
consistency_level="Strong"
)
# 准备要插入的数据。要插入的数据的数据类型必须与集合的架构匹配，否则 Milvus 将引发异常。
data = [
[i for i in range(2000)],
[i for i in range(10000, 12000)],
[[random.random() for _ in range(2)] for _ in range(2000)],
]
collection = Collection("book") # Get an existing collection.
mr = collection.insert(data) # 插入数据
# 为向量构建索引。矢量索引是元数据的组织单位，用于加速矢量相似性搜索。如果没有在向量上构建索引，Milvus将默认执行暴力搜索。
index_params = { # 准备索引参数
"metric_type":"L2",
"index_type":"IVF_FLAT",
"params":{"nlist":1024}
}
# 通过指定矢量字段名称和索引参数来构建索引
collection = Collection("book") # Get an existing collection.
collection.create_index(
field_name="book_intro",
index_params=index_params
)
# Milvus 中的所有搜索和查询操作都在内存中执行。在执行向量相似性搜索之前将 collection 加载到内存中。
collection = Collection("book") # Get an existing collection.
collection.load()
search_params = {"metric_type": "L2", "params": {"nprobe": 10}} # 准备适合你的搜索场景的参数。下面的示例定义了搜索将使用欧式距离计算，并从 IVF_FLAT 索引构建的十个最近的聚类中检索向量。
results = collection.search( # 进行向量搜索
data=[[0.1, 0.2]],
anns_field="book_intro",
param=search_params,
limit=10, # 输出相似度最高的向量结果的数量
expr=None,
consistency_level="Strong" # 从gitee的README进入的中文文档(https://milvus.io/cn/docs/v2.0.0/search.md#%E8%BF%9B%E8%A1%8C%E5%90%91%E9%87%8F%E6%90%9C%E7%B4%A2)中这里错写成strong，会有下面两行的报错，源码中说这个参数的介绍在https://github.com/milvus-io/milvus/blob/master/docs/developer_guides/how-guarantee-ts-works.md，看了参数介绍中'if no consistency level was specified, search will use the consistency level when you create the collection.'，再看Collection()创建集合时的代码(https://milvus.io/cn/docs/v2.0.0/create_collection.md#Create-a-collection-with-the-schema)，发现是大小写错了。从github的README进入的英文文档没错。
# raise InvalidConsistencyLevel(0, f"invalid consistency level: {consistency_level}") from e
# pymilvus.client.exceptions.InvalidConsistencyLevel: <InvalidConsistencyLevel: (code=0, message=invalid consistency level: strong)>
)
# 查看最相似向量的 primary key 及其距离值
print(results[0].ids)
print(results[0].distances)
collection.release() # 搜索完成时释放 Milvus 中加载的 collection 以减少内存消耗
connections.disconnect("default") # 断开 Milvus 连接mi código real
Al usarlo, debe cambiar el host a su propia IP del servidor
import face_recognition
import os
import time
import random
from pymilvus import connections, CollectionSchema, FieldSchema, DataType, Collection
import cv2
# 路径中不能有中文
img_folder_path = r"C:\Users\PC-1\Desktop\face_img"
# 判断图片是否清晰，参数是图片的绝对路径
def getImageVar(imgPath: str) -> bool:
image = cv2.imread(imgPath)
img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
imageVar = cv2.Laplacian(img2gray, cv2.CV_64F).var() # 一般大于100时认为图片是清晰的，实际需根据情况调节
if imageVar <= 100:
return False
elif imageVar > 100:
return True
# 检测图片中是否有人脸。能接受不完整的人脸，如缺少鼻子以下，此时是能否检测到人脸的阈值之一，人脸中其他部位的缺少情况未测试
def check_face_img(img_path: str) -> bool:
img = face_recognition.load_image_file(img_path) # 加载图像。会将图像加载到 numpy 数组中。
result = face_recognition.face_locations(img) # 返回图像中每张人脸的人脸特征位置列表。图像中没有人脸时，返回空列表
if len(result)>0:
return True
else:
return False
connections.connect(alias="default", host='YOUR HOST', port='19530') # 构建一个 Milvus 连接，alias是创建的Milvus连接的别名
# 准备架构，包括字段架构、集合架构和集合名称。
face_id = FieldSchema(
name="face_id",
dtype=DataType.INT64,
is_primary=True,
auto_id=False # 关闭自动赋值自增id，实际人员的id由前端传入
)
face_feature_vector = FieldSchema(
name="face_feature_vector",
dtype=DataType.FLOAT_VECTOR, # 128维人脸编码是浮点数。一个集合中必须有一个字段是DataType.FLOAT_VECTOR或DataType.BINARY_VECTOR类型，文档原话The collection to create must contain a primary key field and a vector field. INT64 is the only supported data type for the primary key field in current release of Milvus. from https://milvus.io/cn/docs/v2.0.0/create_collection.md#Prepare-Schema
dim=128 # face_recognition.face_encodings()返回的列表再取第一个元素，值是128维人脸编码。向量列数，一个向量有多少个元素就有多少列。
)
schema = CollectionSchema(
fields=[face_id, face_feature_vector],
description="face feature vector test test test"
)
collection_name = "face_feature_vector_test_test"
# 使用架构创建集合
collection = Collection(
name=collection_name,
schema=schema,
using='default', # 服务器别名，要在哪个服务器创建集合
shards_num=2,
consistency_level="Strong"
)
# 准备要插入的数据。要插入的数据的数据类型必须与集合的架构匹配，否则 Milvus 将引发异常。
img_list = os.listdir(img_folder_path)
for img in img_list:
img_path = os.path.join(img_folder_path, img)
if getImageVar(img_path) and check_face_img(img_path):
img = face_recognition.load_image_file(img_path) # 加载图像
img_face_encoding = face_recognition.face_encodings(img)[0] # 返回图像中每张人脸的 128 维人脸编码。后面使用face_recognition.face_distance()时，face_recognition.face_distance()的face_encodings参数中的值不能是由face_recognition.face_encodings(img)组成的，而应由face_recognition.face_encodings(img)[0]组成。
temp_id = random.randint(0, 100000) # face_id字段的值，能唯一确定一个人，暂时随机产生，实际应由前端传入
collection = Collection("face_feature_vector_test_test") # Get an existing collection.
mr = collection.insert([ [temp_id], [img_face_encoding] ]) # 插入数据。from https://github.com/milvus-io/milvus/discussions/10713
# print(mr) # 插入操作的执行结果
elif not getImageVar(img_path):
print(f'{img_path}图片太模糊，请重新拍摄，入库时已忽略此图片')
elif not check_face_img(img_path):
print(f'{img_path}没有检测到完整人脸，请重新拍摄，入库时已忽略此图片')
# 为向量构建索引。矢量索引是元数据的组织单位，用于加速矢量相似性搜索。如果没有在向量上构建索引，Milvus将默认执行暴力搜索。
index_params = { # 准备索引参数
"metric_type":"L2",
"index_type":"IVF_FLAT",
"params":{"nlist":1024}
}
# 通过指定矢量字段名称和索引参数来构建索引
collection = Collection("face_feature_vector_test_test") # Get an existing collection.
collection.create_index(
field_name="face_feature_vector",
index_params=index_params
)
# Milvus 中的所有搜索和查询操作都在内存中执行。在执行向量相似性搜索之前将 collection 加载到内存中。
collection = Collection("face_feature_vector_test_test") # Get an existing collection.
collection.load()
connections.disconnect("default") # 断开 Milvus 连接Consulta de Milvus
La similitud tiene un umbral y se devuelven todos los resultados que alcanzan el umbral. Los umbrales 0.2 y 0.6 aquí son todos de los artículos en el enlace de referencia. Al usarlo, debe cambiar el host a su propia IP del servidor
import face_recognition
import os
import time
import random
from pymilvus import connections, CollectionSchema, FieldSchema, DataType, Collection
import cv2
t1 = time.time()
# 路径中不能有中文
# source_img_file_path = r"C:\Users\PC-1\Desktop\ZhouJieLun1.png"
source_img_file_path = r"C:\Users\PC-1\Desktop\LinJunJie2.png"
# 判断图片是否清晰，参数是图片的绝对路径
def getImageVar(imgPath: str) -> bool:
image = cv2.imread(imgPath)
img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
imageVar = cv2.Laplacian(img2gray, cv2.CV_64F).var() # 一般大于100时认为图片是清晰的，实际需根据情况调节
if imageVar <= 100:
return False
elif imageVar > 100:
return True
# 检测图片中是否有人脸。能接受不完整的人脸，如缺少鼻子以下，此时是能否检测到人脸的阈值之一，人脸中其他部位的缺少情况未测试
def check_face_img(img_path: str) -> bool:
img = face_recognition.load_image_file(img_path) # 加载图像。会将图像加载到 numpy 数组中。
result = face_recognition.face_locations(img) # 返回图像中每张人脸的人脸特征位置列表。图像中没有人脸时，返回空列表
if len(result)>0:
return True
else:
return False
if getImageVar(source_img_file_path) and check_face_img(source_img_file_path):
connections.connect(alias="default", host='YOUR HOST', port='19530') # 构建一个 Milvus 连接，alias是创建的Milvus连接的别名
# Milvus 中的所有搜索和查询操作都在内存中执行。在执行向量相似性搜索之前将 collection 加载到内存中。
collection = Collection("face_feature_vector_test_test") # Get an existing collection.
collection.load()
search_params = {"metric_type": "L2", "params": {"nprobe": 10}} # 准备适合你的搜索场景的参数。下面的示例定义了搜索将使用欧式距离计算，并从 IVF_FLAT 索引构建的十个最近的聚类中检索向量。
img = face_recognition.load_image_file(source_img_file_path) # 加载图像
img_face_encoding = face_recognition.face_encodings(img)[0]
results = collection.search( # 进行向量搜索
data=[img_face_encoding],
anns_field="face_feature_vector",
param=search_params,
limit=2, # 输出相似度最高的向量结果的数量，即输出几个与被匹配人脸最相似的人脸特征向量
expr=None,
consistency_level="Strong" # 从gitee的README进入的中文文档(https://milvus.io/cn/docs/v2.0.0/search.md#%E8%BF%9B%E8%A1%8C%E5%90%91%E9%87%8F%E6%90%9C%E7%B4%A2)中这里错写成strong，会有下面两行的报错，源码中说这个参数的介绍在https://github.com/milvus-io/milvus/blob/master/docs/developer_guides/how-guarantee-ts-works.md，看了参数介绍中'if no consistency level was specified, search will use the consistency level when you create the collection.'，再看Collection()创建集合时的代码(https://milvus.io/cn/docs/v2.0.0/create_collection.md#Create-a-collection-with-the-schema)，发现是大小写错了。从github的README进入的英文文档没错。
# raise InvalidConsistencyLevel(0, f"invalid consistency level: {consistency_level}") from e
# pymilvus.client.exceptions.InvalidConsistencyLevel: <InvalidConsistencyLevel: (code=0, message=invalid consistency level: strong)>
)
# 查看最相似向量的 primary key 及其距离值
id_list = results[0].ids
distance_list = results[0].distances
# print(id_list)
# print(distance_list)
if (len(list(id_list)) > 0) and (list(distance_list)[0] <= 0.2):
print(list(id_list)[0])
print(list(distance_list)[0])
else:
print('这是else，因欧氏距离全都大于0.2，不一定真实地匹配成功，0.2这个阈值是暂时写的，具体需根据情况测试确定')
print(id_list)
print(distance_list)
# collection.release() # 搜索完成时释放 Milvus 中加载的 collection 以减少内存消耗
connections.disconnect("default") # 断开 Milvus 连接
elif not getImageVar(source_img_file_path):
print('图片太模糊，请重新拍摄')
elif not check_face_img(source_img_file_path):
print('没有检测到完整人脸，请重新拍摄')
t2 = time.time()
print(t2-t1)Eliminar información de rostros de Milvus
Elimine el dato actual de acuerdo con el valor del campo. Actualmente (Milvus 2.0.1, PyMilvus 2.0.2) solo se puede eliminar de acuerdo con el valor de la clave principal y no se pueden usar otros campos. Al usarlo, debe cambiar el host a su propia IP del servidor
from pymilvus import connections, CollectionSchema, FieldSchema, DataType, Collection
connections.connect(alias="default", host='YOUR HOST', port='19530') # 构建一个 Milvus 连接，alias是创建的Milvus连接的别名
expr = "face_id in [835193322]" # 删除时只能用in，不能用其他运算符，如==，文档中有说明
collection = Collection("face_feature_vector_test_test") # Get an existing collection.
result = collection.delete(expr)
print(result)
connections.disconnect("default") # 断开 Milvus 连接Link de referencia
6 formas de leer imágenes en Python - Se busca programador
Reconocimiento facial y comparación de rostros
Reconocimiento facial de Python face_recognition - Se busca programador
Python usa el reconocimiento facial face_recognition - I am ed - 博客园
Python OpenCV Computer Vision Learning (reconocimiento facial) 01_ou.cs Blog - CSDN Blog
Use Python para implementar una comparación simple de similitud de caras: se busca programador
Comprobar si la imagen está borrosa
Cómo realizar la detección difusa - Zhihu
Detección de desenfoque de imagen de la serie de combate OpenCV: se busca programador
Detección de desenfoque de imagen usando la transformada laplaciana - Arkenstone - 博客园
Python+Opencv detecta imágenes borrosas: se busca programador
Use OpenCV para realizar detección de desenfoque en fotos en teléfonos móviles: se busca programador
Guardar datos faciales en la base de datos
Acceso a la base de datos para el reconocimiento facial
¡Attu, la herramienta de gestión gráfica de Milvus, ya está aquí! - saber casi
Potente base de datos de vectores: Milvus bzdww
Milvus2.0 | Una introducción minimalista a la base de datos vectorial Python - Se busca programador
Cómo realiza Milvus la actualización y consulta de datos dinámicos - Nuggets
Análisis sin precedentes de la arquitectura del código fuente de Milvus Develop Paper
Análisis de Milvus | Círculo de tecnología de análisis de arquitectura de código fuente de Milvus sin precedentes , en el momento en que publiqué este artículo, el contenido es el mismo que el enlace anterior, pero hay un código QR adicional al final del artículo
Milvus Pit Evitación Raiders-Conocimiento
Migración de copia de seguridad de datos de Milvus
Este es un contenido complementario adicional que no se utiliza en este artículo.
0325 Registro en vivo｜Herramienta de migración de datos Milvus y Milvus v1.0 bazyd
Herramienta de migración de datos Milvus-Milvusdm_Tencent News
GitHub - milvus-io/milvus-tools: una herramienta de migración de datos para Kitvus.