今天跟大家總結幾個簡單、好用的人臉辨識#演算法. 人臉辨識是電腦視覺中比較常見的技術，生活中，我們接觸最多的人臉辨識場景是人臉考勤，我之前也專門寫過一篇人臉考勤的項目，有興趣的朋友可以看看。
人臉辨識的演算法最核心的工作是從一張圖片中辨識出人臉的位置。辨識的演算法可以說是多種多樣， 下面我就來為大家一一介紹下。
此演算法採用傳統的機器學習演算法來辨識人臉。傳統機器學習演算法的特點是人工構造特徵，然後將構造好的特徵送入模型訓練。
演算法以HoG擷取圖片中人臉特徵，以SVM演算法進行分類。
HoG（Histogram of Oriented Gradient, 方向梯度直方圖）特徵是一種在電腦視覺和影像處理中用來進行物體偵測的特徵描述子，透過計算和統計影像局部區域的梯度方向直方圖來構成特徵。
dlib庫中有該演算法的實現，下面我們來看看核心程式碼
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
results 存放一張圖中偵測出來的多個人臉， 遍歷results可以得到每個人臉的長方形框。
偵測範例如下：
綠色框框出來的就是演算法偵測出來的人臉。
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。
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)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。
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))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。
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)效果如下：
可以看到，BlazeFace演算法不光能偵測人臉，還能辨識出人臉6個關鍵點（眼睛、鼻子、耳朵、嘴巴）。
上面就是今天分享的4個人臉辨識的演算法。
辨識出人臉，我們再做人臉考勤就非常簡單了，把人臉Embedding成向量，計算向量的之間的距離即可。
以上是技巧 | 總結幾個簡單好用的Python人臉辨識演算法的詳細內容。更多資訊請關注PHP中文網其他相關文章！
