中国领先的IT技术网站
|
|

可怕,40行代码的人脸识别实践

人脸抓拍系统的工作原理是:当红灯亮起后,如有行人和非机动车越过停止线,系统会自动抓拍四张照片,保留 15 秒视频并截取违法者头像,即便在晚上也能清晰成像。除了现场回放,交管部门还将连接的户籍信息进行曝光。

作者:刘潇龙来源:51CTO技术栈|2017-07-24 15:06

开发者大赛路演 | 12月16日,技术创新,北京不见不散


最近听说有这么一个黑科技,让之前闯红灯有恃无恐的人们纷纷给交警部门打电话,求交警叔叔能不能把自己的照片撤下来......

闯红灯这件事情,一直是交通问题的一大头疼病。自从交通法对机动车闯红灯进行扣 6 分的举措后,很多司机朋友们纷纷表示不敢怠慢了。

机动车好了,可是非机动车和行人闯红灯的病咋治?当中国式过马路已经深入人心的时候,这不,黑科技来了,乍一看还真的很像警方在搜捕嫌疑人。

近期山东、江苏、深圳等一些城市开始在交通路口上启用了人脸识别系统,针对行人和非机动车闯红灯等违规行为进行抓拍,并现场进行曝光。

而对于行人和非机动车闯红灯的行为,交管部门将会给予 20 元到 50 元的罚款。

虽然罚款钱数不多,但是最让大家忌惮的就是,你不文明行为的视频和你的个人信息,都会在大屏幕上全天轮次播放。交警叔叔说了,被拍的市民纷纷表示下次再也不敢闯红灯了。

人脸抓拍系统的工作原理是:当红灯亮起后,如有行人和非机动车越过停止线,系统会自动抓拍四张照片,保留 15 秒视频并截取违法者头像,即便在晚上也能清晰成像。除了现场回放,交管部门还将连接的户籍信息进行曝光。

人脸识别技术到底是怎样实现的呢?

很多人都认为人脸识别是一项非常难以实现的工作,看到名字就害怕,然后心怀忐忑到网上一搜,看到网上 N 页的教程立马就放弃了。

这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理,只是要实现这一工作的话,人脸识别也没那么难。

今天我们就来看看如何在 40 行代码以内简单地实现人脸识别。

一点区分

对于大部分人来说,区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有意无意地把人脸检测说成是人脸识别,误导群众,造成一些人认为二者是相同的。

其实,人脸检测解决的问题是确定一张图上有木有人脸,而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。

今天我们要做的是人脸识别。

所用工具

Anaconda 2 —— Python 2

Dlib

scikit-image

Dlib

对于今天要用到的主要工具,还是有必要多说几句的。Dlib 是基于现代 C++ 的一个跨平台通用的框架,作者非常勤奋,一直在保持更新。

Dlib 内容涵盖机器学习、图像处理、数值算法、数据压缩等等,涉猎甚广。更重要的是,Dlib 的文档非常完善,例子非常丰富。就像很多库一样,Dlib 也提供了 Python 的接口,安装非常简单,用 pip 只需要一句即可:

  1. pip install dlib 

上面需要用到的 scikit-image 同样只是需要这么一句:

  1. pip install scikit-image 

注:如果用 pip install dlib 安装失败的话,那安装起来就比较麻烦了。错误提示很详细,按照错误提示一步步走就行了。

人脸识别

之所以用 Dlib 来实现人脸识别,是因为它已经替我们做好了绝大部分的工作,我们只需要去调用就行了。Dlib 里面有人脸检测器,有训练好的人脸关键点检测器,也有训练好的人脸识别模型。

今天我们主要目的是实现,而不是深究原理。例子既然代码不超过 40 行,其实是没啥难度的。

首先先通过文件树看一下今天需要用到的代码:

准备了六个候选人的图片放在 candidate-faces 文件夹中,然后需要识别的人脸图片 test.jpg 。我们的工作就是要检测到 test.jpg 中的人脸,然后判断她到底是候选人中的谁。

另外的 girl-face-rec.py 是我们的 python 脚本。

shape_predictor_68_face_landmarks.dat 是已经训练好的人脸关键点检测器。

dlib_face_recognition_resnet_model_v1.dat 是训练好的 ResNet 人脸识别模型。

ResNet 是何凯明在微软的时候提出的深度残差网络,获得了 ImageNet 2015 冠军,通过让网络对残差进行学习,在深度和精度上做到了比 CNN 更加强大。

前期准备

shape_predictor_68_face_landmarks.dat和 dlib_face_recognition_resnet_model_v1.dat 都可以在这里找到。

不能点击超链接的可以直接输入以下网址:http://dlib.net/files/。

然后准备几个人的人脸图片作为候选人脸,最好是正脸。放到 candidate-faces 文件夹中。

本文这里准备的是六张图片,如下:

她们分别是:

然后准备四张需要识别的人脸图像,其实一张就够了,这里只是要看看不同的情况:

可以看到前两张和候选文件中的本人看起来还是差别不小的,第三张是候选人中的原图,第四张图片微微侧脸,而且右侧有阴影。

识别流程

数据准备完毕,接下来就是代码了。识别的大致流程是这样的:

先对候选人进行人脸检测、关键点提取、描述子生成后,把候选人描述子保存起来。

然后对测试人脸进行人脸检测、关键点提取、描述子生成。

最后求测试图像人脸描述子和候选人脸描述子之间的欧氏距离,距离最小者判定为同一个人。

代码

代码不做过多解释,因为已经注释的非常完善了。以下是 girl-face-rec.py:

  1. # -*- coding: UTF-8 -*- 
  2. import sys,os,dlib,glob,numpy 
  3. from skimage import io 
  4.  if len(sys.argv) != 5: 
  5.      print "请检查参数是否正确" 
  6.      exit() 
  7. # 1.人脸关键点检测器 
  8. predictor_path = sys.argv[1] 
  9. # 2.人脸识别模型 
  10. face_rec_model_path = sys.argv[2] 
  11. # 3.候选人脸文件夹 
  12. faces_folder_path = sys.argv[3] 
  13. # 4.需识别的人脸 
  14. img_path = sys.argv[4] 
  15. # 1.加载正脸检测器 
  16. detector = dlib.get_frontal_face_detector() 
  17. # 2.加载人脸关键点检测器 
  18. sp = dlib.shape_predictor(predictor_path) 
  19. # 3. 加载人脸识别模型 
  20. facerec = dlib.face_recognition_model_v1(face_rec_model_path) 
  21. # win = dlib.image_window() 
  22. # 候选人脸描述子list 
  23. descriptors = [] 
  24. # 对文件夹下的每一个人脸进行: 
  25. # 1.人脸检测 
  26. # 2.关键点检测 
  27. # 3.描述子提取 
  28. for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")): 
  29.     print("Processing file: {}".format(f)) 
  30.     img = io.imread(f) 
  31.     #win.clear_overlay() 
  32.     #win.set_image(img) 
  33.     # 1.人脸检测 
  34.     dets = detector(img, 1) 
  35.     print("Number of faces detected: {}".format(len(dets))) 
  36.     for k, d in enumerate(dets):   
  37.     # 2.关键点检测 
  38.     shape = sp(img, d) 
  39.     # 画出人脸区域和和关键点 
  40.     # win.clear_overlay() 
  41.     # win.add_overlay(d) 
  42.     # win.add_overlay(shape) 
  43.     # 3.描述子提取,128D向量 
  44.     face_descriptor = facerec.compute_face_descriptor(img, shape) 
  45.     # 转换为numpy array 
  46.     v = numpy.array(face_descriptor)   
  47.     descriptors.append(v) 
  48. # 对需识别人脸进行同样处理 
  49. # 提取描述子,不再注释 
  50. img = io.imread(img_path) 
  51.  dets = detector(img, 1) 
  52.  dist = [] 
  53. for k, d in enumerate(dets): 
  54.     shape = sp(img, d) 
  55.     face_descriptor = facerec.compute_face_descriptor(img, shape) 
  56.     d_test = numpy.array(face_descriptor)  
  57.     # 计算欧式距离 
  58.     for i in descriptors: 
  59.     dist_ = numpy.linalg.norm(i-d_test) 
  60.     dist.append(dist_) 
  61. # 候选人名单 
  62. candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei'
  63.  # 候选人和距离组成一个dict 
  64. c_d = dict(zip(candidate,dist)) 
  65. cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1]) 
  66. print "\n The person is: ",cd_sorted[0][0]   
  67. dlib.hit_enter_to_continue() 

运行结果

我们在 .py 所在的文件夹下打开命令行。运行如下命令:

python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg

由于 shape_predictor_68_face_landmarks.dat 和 dlib_face_recognition_resnet_model_v1.dat 名字实在太长,所以我把它们重命名为 1.dat 和 2.dat 。

运行结果如下:

  • The person is Bingbing。

记忆力不好的同学可以翻上去看看 test1.jpg 是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。

这里需要说明的是,前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人 4。对比一下两张图片可以很容易发现混淆的原因。

机器毕竟不是人,机器的智能还需要人来提升。

有兴趣的朋友可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张,然后对比和每个人距离的平均值之类的,全凭自己了。

【编辑推荐】

  1. 深度学习成了前端开发神器:根据UI设计图自动生成代码
  2. 人脸识别有多牛?AIFR 技术分分钟让你变“明星”
  3. 实战微课-20行代码实现人脸检测程序视频课程
  4. 未来即将“触脸可及”,人脸识别技术大揭秘!
  5. 机器学习算法实践:决策树 (Decision Tree)
【责任编辑:武晓燕 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢
24H热文
一周话题
本月最赞

读 书 +更多

公钥基础设施PKI及其应用

公钥基础设施PKI(Public Key Infrastructure)是利用公钥概念和加密技术为网上通信提供的符合标准的一整套安全基础平台。公钥基础设施能为...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊