简介

人脸识别不同于人脸检测。在人脸检测中，我们只检测了人脸的位置，在人脸识别任务中，我们识别了人的身份。

本文重点介绍使用库 face_recognition 实现人脸识别，该库基于深度学习技术，并承诺使用单个训练图像的准确率超过 96%。

识别系统用例

• 寻找失踪者
• 识别社交媒体上的帐户
• 识别汽车中的驾驶员
• 考勤系统

了解人脸识别的工作原理

1. 我们将人的照片和他们的名字传递给模型。
2. 该模型拍摄每张照片，将它们转换为某种数字编码，并将它们存储在一个列表中，并将所有标签（人名）存储在另一个列表中。
3. 在预测阶段，当我们传递未知人的图片时，识别模型会将该人的图像转换为编码。
4. 在将未知人的图像转换为编码后，它会尝试根据距离参数找到最相似的编码。与未知人的编码距离最小的编码将是最接近的匹配。
5. 在获得最接近的匹配编码后，我们从该列表中获取该编码的索引并使用索引。我们找到检测到的人的名字。

传统人脸识别算法

传统的人脸识别算法不符合现代人脸识别标准。它们旨在使用旧的传统算法识别面部。

OpenCV 提供了一些传统的面部识别算法。

• Eigenfaces：http://www.scholarpedia.org/article/Eigenfaces
• 尺度不变特征变换 (Scale Invariant Feature Transform，SIFT)：https://en.wikipedia.org/wiki/Scale-invariant_feature_transform
• Fisher faces：http://www.scholarpedia.org/article/Fisherfaces
• 局部二进制模式直方图 (Local Binary Patterns Histograms，LBPH)：https://en.wikipedia.org/wiki/Local_binary_patterns

这些方法在提取图像信息和匹配输入和输出图像的方式上有所不同。

LBPH 算法是一种简单但非常有效的方法，仍在使用中，但与现代算法相比速度较慢。

人脸识别深度学习

有多种基于深度学习的面部识别算法可供使用。

• DeepFace
• DeepID series of systems
• FaceNet
• VGGFace

一般来说，基于地标的人脸识别器对人脸图像进行拍摄，并试图找到眉毛、嘴角、眼睛、鼻子、嘴唇等基本特征点。有60多个地标。

人脸识别涉及的步骤

1. 人脸检测：定位人脸，记下每个人脸定位的坐标，并在每个人脸周围绘制一个边界框。
2. 面部对齐。标准化人脸以获得快速训练。
3. 特征提取。从面部图片中提取局部特征进行训练，这一步由不同的算法执行不同的操作。
4. 人脸识别。将输入人脸与我们数据集中的一个或多个已知人脸进行匹配。
   

识别流程

使用python实现人脸识别系统。使用 face_recognition 库实现基于深度学习的人脸识别系统。

1. 设置人脸识别库：

为了安装人脸识别库，我们需要先安装dlib

• dlib：它是一个现代 C++ 工具包，包含与机器学习相关的算法和工具。

pip install dlib

• 安装实际的人脸识别库face recognition。

pip install face recognition

• Opencv用于一些图像预处理

pip install opencv
Note: Sometimes installing dlib throws error in that case install install the C++ development toolkit using vs_code community .

导入库

import cv2
import numpy as np
import face_recognition

2. 加载图片：

我们完成了库的安装和导入。是时候将一些示例图像加载到face_recognition库中了。

该face_recognition库仅支持 BGR 格式的图像。在打印输出图像时，我们应该使用 OpenCV 将其转换为 RGB。

Face_recognition仅加载 BGR 格式的图像。

import cv2
import numpy as np
import face_recognition
img_bgr = face_recognition.load_image_file('student_images/modi.jpg')
img_rgb = cv2.cvtColor(img_bgr,cv2.COLOR_BGR2RGB)
cv2.imshow('bgr', img_bgr)
cv2.imshow('rgb', img_rgb)
cv2.waitKey

输出→ BGR 与 RGB

3.检测和定位人脸：

face_recognition库可以自行快速定位人脸，我们不需要使用haar_cascade或其他技术。

img_modi=face_recognition.load_image_file('student_images/modi.jpg')
img_modi_rgb = cv2.cvtColor(img_modi,cv2.COLOR_BGR2RGB)
#--------- Detecting Face -------
face = face_recognition.face_locations(img_modi_rgb)[0]
copy = img_modi_rgb.copy()
# ------ Drawing bounding boxes around Faces------------------------
cv2.rectangle(copy, (face[3], face[0]),(face[1], face[2]), (255,0,255), 2)
cv2.imshow('copy', copy)
cv2.imshow('MODI',img_modi_rgb)
cv2.waitKey(0)

4. 样本图像识别：

该face_recognition库基于深度学习，它支持单次学习，这意味着它需要一张图片来训练自己检测一个人。

img_modi = face_recognition.load_image_file('student_images/modi.jpg')
img_modi = cv2.cvtColor(img_modi,cv2.COLOR_BGR2RGB)

#------to find the face location
face = face_recognition.face_locations(img_modi)[0]

#--Converting image into encodings
train_encode = face_recognition.face_encodings(img_modi)[0]

#----- lets test an image
test = face_recognition.load_image_file('student_images/modi2.jpg')
test = cv2.cvtColor(test, cv2.COLOR_BGR2RGB)
test_encode = face_recognition.face_encodings(test)[0]
print(face_recognition.compare_faces([train_encode],test_encode))
cv2.rectangle(img_modi, (face[3], face[0]),(face[1], face[2]), (255,0,255), 1)
cv2.imshow('img_modi', img_modi)
cv2.waitKey(0)

上面的代码拍了两张总理的照片，因为两张照片都是同一个人，所以它返回了true。

• face_recognition.face_encodings(imgelon)[0]→返回传递图像的编码。
• face_recognition.compare_faces([train_encode],test_encode) 获取经过训练的编码列表和未知图像的测试编码。如果两个测试编码在训练编码中匹配，则返回True ；否则，它会返回False.

挑战

• 姿势：识别系统容易受到人体姿势的影响。面部识别系统将无法预测该人的面部是否不可见。
• 照明：照明会极大地改变面部轮廓。用于人脸识别的照片应在适当的照明条件下拍摄。
• 面部表情：不同的面部表情会导致对同一个人的图像的不同预测。
• 低分辨率：低分辨率图片包含的信息较少，因此不适合人脸识别训练。