dlib实现人脸识别-python

参考：
1、http://blog.csdn.net/xingchenbingbuyu/article/details/68482838
2、http://dlib.net/

---

所用工具

Anaconda 3——Python 3
Dlib
scikit-image

Dlib

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：

pip install dlib

上面需要用到的scikit-image同样只是需要这么一句：

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。

首先先通过文件树看一下今天需要用到的东西：

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。

1. 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。（相当于 训练数据）

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：（测试数据）

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。

2.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。

先对训练数据（事先提供的候选人文件中数据）进行特征提取等操作，再对测试数据（用于识别的数据）进行特征提取等，比较这些特征之间的欧式距离，判断是否是同一个人

3.代码

以下是girl-face-rec.py

# -*- coding: UTF-8 -*-import sys,os,dlib,glob,numpyfrom skimage import ioif len(sys.argv) != 5:    print "请检查参数是否正确"    exit()# 1.人脸关键点检测器predictor_path = sys.argv[1]# 2.人脸识别模型face_rec_model_path = sys.argv[2]# 3.候选人脸文件夹faces_folder_path = sys.argv[3]# 4.需识别的人脸img_path = sys.argv[4]# 1.加载正脸检测器detector = dlib.get_frontal_face_detector()# 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)# win = dlib.image_window()# 候选人脸描述子listdescriptors = []# 对文件夹下的每一个人脸进行:# 1.人脸检测# 2.关键点检测# 3.描述子提取for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):    print("Processing file: {}".format(f))    img = io.imread(f)    #win.clear_overlay()    #win.set_image(img)    # 1.人脸检测    dets = detector(img, 1)    print("Number of faces detected: {}".format(len(dets)))    for k, d in enumerate(dets):          # 2.关键点检测        shape = sp(img, d)        # 画出人脸区域和和关键点        # 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)# 对需识别人脸进行同样处理# 提取描述子，不再注释img = io.imread(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_)# 候选人名单candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']# 候选人和距离组成一个dictc_d = dict(zip(candidate,dist))cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1])print "\n The person is: ",cd_sorted[0][0]  dlib.hit_enter_to_continue()

4.运行结果

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。

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。

有兴趣的同学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。

补充：人脸检测

# -*- coding: UTF-8 -*-import sys,os,dlib,glob,numpyfrom skimage import ioimport cv2#predictor_path="shape_predictor_68_face_landmarks.dat"# 1.加载正脸检测器detector = dlib.get_frontal_face_detector()# 2.加载人脸关键点检测器# sp = dlib.shape_predictor(predictor_path)img = io.imread("nba.jpg")# 1.人脸检测dets = detector(img, 1)print("Number of faces detected: {}".format(len(dets)))"""win = dlib.image_window()for k, d in enumerate(dets):    # 2.关键点检测    shape = sp(img, d)    # 画出人脸区域和和关键点    win.clear_overlay()    win.add_overlay(d)    win.add_overlay(shape)"""for d in dets:    # print(d)    # print(type(d))    # 使用opencv在原图上画出人脸位置    left_top=(dlib.rectangle.left(d),dlib.rectangle.top(d))    right_bottom=(dlib.rectangle.right(d),dlib.rectangle.bottom(d))    cv2.rectangle(img,left_top,right_bottom,(0,255,0),2,cv2.LINE_AA)cv2.imshow("img",cv2.cvtColor(img,cv2.COLOR_RGB2BGR)) # 转成ＢＧＲ显示cv2.waitKey(0)cv2.destroyAllWindows()