Conseils | Résumez plusieurs algorithmes de reconnaissance faciale Python simples et faciles à utiliser-Tutoriel Python-php.cn

Aujourd'hui, je vais résumer pour vous quelques algorithmes de reconnaissance faciale simples et faciles à utiliser. La reconnaissance faciale est une technologie relativement courante en vision par ordinateur. Dans la vie, le scénario de reconnaissance faciale auquel nous sommes le plus exposés est la Face assistance J'ai également écrit un article spécial sur le projet de reconnaissance faciale auparavant, pour ceux qui vous intéressent. peut jeter un oeil. La tâche principale de l'algorithme de

reconnaissance faciale est d'identifier l'emplacement d'un visage à partir d'une image. Il existe de nombreux algorithmes de reconnaissance différents, et je les présenterai un par un ci-dessous.

Conseils | Résumez plusieurs algorithmes de reconnaissance faciale Python simples et faciles à utiliser

1. Détection de visage HoG

Cet algorithme utilise des algorithmes d'apprentissage automatique traditionnels pour identifier les visages. La caractéristique des algorithmes d'apprentissage automatique traditionnels est de construire manuellement des fonctionnalités, puis d'envoyer les fonctionnalités construites à la formation du modèle.

Cet algorithme utilise HoGExtraire les personnes en images Pour les traits du visage, utilisez SVM algorithme de classification . HoG提取图片中人脸特征，用SVM算法进行分类。

HoG（Histogram of Oriented Gradient, 方向梯度直方图）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，通过计算和统计图像局部区域的梯度方向直方图来构成特征。

dlib库中有该算法的实现，下面我们看看核心代码

import dlib
# 加载预训练的 HoG 人脸检测器
hog_face_detector = dlib.get_frontal_face_detector()

# 对图片进行人脸检测
results = hog_face_detector(imgRGB, 0)

for bbox in results:
  x1 = bbox.left()  # 人脸左上角x坐标
  y1 = bbox.top()  # 人脸左上角y坐标
  x2 = bbox.right()  # 人脸右下角x坐标
  y2 = bbox.bottom()  # 人脸右下角y坐标

Copier après la connexion

results 存放一张图中检测出来的多个人脸，遍历results

HoG（Histogramme de dégradé orienté, La fonction d'histogramme de gradient directionnel est un descripteur de caractéristiques utilisé pour la détection d'objets en vision par ordinateur et en traitement d'image. Les caractéristiques sont formées en calculant et en comptant l'histogramme de direction de gradient des zones locales de l'image.

dlib bibliothèque a cet algorithme Implémentation, Jetons un coup d'œil au code principal

Les exemples de détection sont les suivants :

🎜🎜🎜🎜Le cadre vert est le visage détecté par l'algorithme. 🎜

HoG 人脸检测由于采用传统机器学习算法，所以性能比较高，在CPU上运行也可以比较快。但它无法检测小于 80*80 的人脸，对旋转人脸、非正面人脸，识别效果也不太好。

2. 深度学习人脸检测

虽然传统机器学习算法检测更快，但准确度却有待提升。基于深度学习的人脸检测算法往往会更加准确。

这里介绍的是使用残差网络ResNet-10通过网络（模型）在图像的单通道（ Single Shot Detector，SSD）中检测多个人脸。简称SSD算法。

首先，需要将原始图片进行blob预处理，然后直接送入模型，进行检测

cv2库提供了该算法的实现，核心代码如下：

import cv2

# 加载预训练的 SSD 模型
opencv_dnn_model = cv2.dnn.readNetFromCaffe(
      prototxt="models/deploy.prototxt"
      , caffeModel="models/res10_300x300_ssd_iter_140000_fp16.caffemodel")

# 原始图片 blob 处理
preprocessed_image = cv2.dnn.blobFromImage(image, scalefactor=1.0, size=(300, 300), mean=(104.0, 117.0, 123.0), swapRB=False, crop=False)
 
# blob 图片送入模型
opencv_dnn_model.setInput(preprocessed_image)

# 模型推理，进行人脸检测
results = opencv_dnn_model.forward()  

# 遍历人脸
for face in results[0][0]:
  # 置信度
  face_confidence = face[2]
  
  # 人脸边框的左上角和右下角坐标点
  x1 = int(bbox[0] * image_width)
  y1 = int(bbox[1] * image_height)
  x2 = int(bbox[2] * image_width)
  y2 = int(bbox[3] * image_height)

Copier après la connexion

results[0][0]存放了检测出来的多张人脸，每张人脸用数组表达，数组的第3位存放置信度，可以通过阈值过滤不置信的人脸。数组的第4~7位存放检测出来的人脸矩形框左上角和右下角的坐标。

相比于 HoG 人脸检测，SSD 算法对遮挡、非正面人脸也能检测出来。

3. 卷积神经网络人脸检测

卷积就不多说了，了解计算机视觉的都知道。

dlib库提供了卷积神经网络人脸检测算法的实现，用法跟之前类似

import dlib

# 记载预训练模型
cnn_face_detector = dlib.cnn_face_detection_model_v1("models/mmod_human_face_detector.dat")

# 人脸检测
results = cnn_face_detector(imgRGB, 0)

# 遍历每张人脸
for face in results:
  # 人脸边框      
  bbox = face.rect
  
  # 人脸边框的左上角和右下角坐标点
  x1 = int(bbox.left() * (width/new_width))
  y1 = int(bbox.top() * (height/new_height))
  x2 = int(bbox.right() * (width/new_width))
  y2 = int(bbox.bottom() * (height/new_height))

Copier après la connexion

results的解析跟上面类似，这里就不在赘述了。

采用卷积神经网络的人脸检测算法优势很明显，比前两个更准确和健壮，并且还能够检测遮挡下的人脸。

即便非正面、且光线暗的图片，也能很好检测出来

但该算法相应的缺点也很明显，检测过程所花费的时间非常长，无法在 CPU 上实时运行。

4. BlazeFace

上面的算法要么精度高、速度慢，要么速度快，精度低。那有没有一种检测算法，既有高准确率，又有高性能呢？

答案是肯定的，BlazeFace是一种非常轻量级且高度准确的人脸检测器，号称亚毫秒级的人脸检测器。其灵感来自 Single Shot MultiBox Detector (SSD) 和 MobileNetv2。

Mediapipe库提供了该算法的实现，核心代码如下：

import mediapipe as mp

# 画图工具
mp_drawing = mp.solutions.drawing_utils

# 初始化人脸检测模型
mp_face_detection = mp.solutions.face_detection
mp_face_detector = mp_face_detection.FaceDetection(min_detection_confidence=0.4)

results = mp_face_detector.process(imgRGB)

if results.detections:

  # 变脸检测出的人脸
  for face_no, face in enumerate(results.detections):

      # 画人脸关键点
      mp_drawing.draw_detection(image=output_image, detection=face, keypoint_drawing_spec=mp_drawing.DrawingSpec(color=(0,255,0),thickness=-1, circle_radius=image_width//115), bbox_drawing_spec=mp_drawing.DrawingSpec(color=(0,255,0),thickness=image_width//180))

      # 画人脸框
      face_bbox = face.location_data.relative_bounding_box
      x1 = int(face_bbox.xmin*image_width)
      y1 = int(face_bbox.ymin*image_height)

      cv2.rectangle(output_image, pt1=(x1, y1-image_width//20), pt2=(x1+image_width//16, y1), color=(0, 255, 0), thickness=-1)

Copier après la connexion

效果如下：

Vous pouvez voir, BlazeFace L'algorithme peut non seulement détecter les visages, mais également identifier 6 points clés des visages (yeux, nez, oreilles, bouche). BlazeFace算法不光能检测人脸，还能识别出人脸6个关键点（眼睛、鼻子、耳朵、嘴）。

上面就是今天分享的4个人脸识别的算法。

识别出人脸，我们再做人脸考勤就非常简单了，把人脸Embedding

Ci-dessus sont les 4 algorithmes de reconnaissance faciale partagés aujourd'hui.

Après avoir reconnu le visage, il nous est très simple de vérifier la présence du visage. Mettez le visageIntégration dans des vecteurs, calculez simplement la distance entre les vecteurs. 🎜🎜🎜

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!