CV-人脸识别02-关键点检测

本文主要是介绍CV-人脸识别02-关键点检测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

关键点提取

【实现方法，疲劳检测，人脸校准】

1实现方法-face_recognition

face_recognition，
可以通过python引用或者命令行的形式使用，管理和识别人脸
安装命令 pip install face_recognition

实现方法：
创建两个目录，一个放已知图片，另一个放要识别的图片
输入命令face_recognition /known_people/ / unknown_pictures/
如果想指定想并行处理图像，则可以指定cpu核数，例如指定4个cpu则可认为是并行处理4倍的图像
face_recognition --cpus 4 /known_people/ /unknown_pictures/

1.1 图像载入函数

load_image_file(file, mode=‘RGB’)
加载一个图像文件到一个numpy array类型的对象上。
参数：

file：待加载的图像文件名字
mode：转换图像的格式
只支持“RGB”(8位RGB, 3通道)和“L”(黑白)

返回值：

一个包含图像数据的numpy array类型的对象

1.2 人脸特征提取函数

face_landmarks(face_image,face_locations=None,model=“large”)
给定一个图像，提取图像中每个人脸的脸部特征位置
参数：

face_image：			输入的人脸图片
face_locations=None：	可选参数，默认值为None，代表默认解码图片中的每一个人脸。若输入face_locations()[i]可指定人脸进行解码
model="large"：			输出的特征模型，默认为“large”，可选“small”。当选择为"small"时，只提取左眼、右眼、鼻尖这三种脸部特征。

1.3 人脸编码函数

face_encodings(face_image, known_face_locations=None, num_jitters=1)
给定一个图像，返回图像中每个人脸的128脸部编码（特征向量）。
参数：

face_image： 			输入的人脸图像
known_face_locations：  可选参数，如果你知道每个人脸所在的边界框
num_jitters=1： 		在计算编码时要重新采样的次数。越高越准确，但速度越慢（100就会慢100倍）

返回值：

一个128维的脸部编码列表
返回值类型为：List[Dict[str,List[Tuple[Any,Any]]]]，是由各个脸部特征关键点位置组成的字典记录
列表，一个Dict对象对应图片中的一个人脸，其key为某个脸部特征：
如输出中的nose_bridge、left_eye等，value是由该脸部特征各个关键点位置组成的List，关键点位置是
一个Tuple（如上输出中，nose_bridge对应的关键点位置组成的列表为[(881L, 128L), (880L, 141L),
(880L, 154L), (879L, 167L)]

1.4 绘图，画线填充

载入图片，构建一个ImageDraw对象:
polygon() 方法用于绘制多边形：

第一个参数是多边形的几个顶点位置组成的list，第二个参数fill是填充该	多边形的颜色。

line()

方法是用来画多个点之间构成的线段，第一个参
数是点位置组成的list，第二个参数fill是线段的颜色，
第三个参数width是线段的宽度

1.5 脸部特征距离计算

face_distance(face_encodings, face_to_compare)

给定一组面部编码，将它们与已知的面部编码进行比较，得到欧氏距离。对于每一个比较的脸，
欧氏距离代表了这些脸有多相似。

参数：

faces：				要比较的人脸编码列表
face_to_compare：   待进行对比的单张人脸编码数据
tolerance：			两张脸之间有多少距离才算匹配。该值越小对比越严格，0.6是典型的最佳值

返回值：

一个numpy ndarray，数组中的欧式距离与faces数组的顺序一一对应

1.6 人脸特征检测定位2

batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)
使用cnn人脸检测器返回一个包含人脸特征的二维数组，如果使用了GPU，这个函数能够更快速的返回结果；如果不使用GPU的话，该函数就没必要使用。
参数：

images : 一个包含图像数据的list，每个成员都是一个 numpy array类型
number_of_times_to_upsample： 从images的样本中查找多少次人脸，该参数的值越高的话越能发现更小的人脸
batch_size： 每个GPU一次批处理多少个image

返回值：

一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)

1.7 比较两张图片的脸部特征

compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)
比较脸部编码列表和候选编码，看看它们是否匹配。
参数：

known_face_encodings：已知的人脸编码列表
face_encoding_to_check：待进行对比的单张人脸编码数据
tolerance：两张脸之间有多少距离才算匹配。该值越小对比越严格，0.6是典型的最佳值。

返回值：

一个 True或者False值的列表，该表指示了known_face_encodings列表的每个成员的匹配结果

1.8 人脸特征检测定位1

face_locations(img, number_of_times_to_upsample=1, model=‘hog’)
给定一个图像，返回图像中每个人脸的面部特征位置(眼睛、鼻子等)
参数：

img：一个image（numpy array类型）
number_of_times_to_upsample：从images的样本中查找多少次人脸，该参数值越高的话越能发现更小的人脸。
model：使用哪种人脸检测模型。“hog” 准确率不高，但是在CPUs上运行更快，“cnn” 更准确更深度（且
GPU/CUDA加速，如果有GPU支持的话），默认是“hog”

返回值：

一个元组列表，列表中的每个元组包含人脸的位置(top, right, bottom, left)

1.9 汇总

face_recognition API总结：

load_image_file(file, mode='RGB')
face_landmarks(face_image,face_locations=None,model="large")
face_encodings(face_image, known_face_locations=None, num_jitters=1)
batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)
compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)
face_distance(face_encodings, face_to_compare)

2. 应用

2.1 人脸相似度比较

dlib库的“shape_predictor_68_face_landmarks.dat”提取的只是人脸的68个特征点（例如眼、嘴等
位置），“dlib_face_recognition_resnet_model_v1.dat”是人脸特征提取的分类网络，提取的128
维信息即是人脸的特征信息，即人脸特征向量。
不同人脸特征向量之间，余弦距离或欧式距离越大，则两个特征值相似度越低，属于同一个人
的可能性越小，此时判断两人为不同的人。

在这里插入图片描述