Python可以从图像或视频中检测和识别你的脸。

人脸检测与识别是计算机视觉领域的研究热点之一。

人脸识别的应用包括人脸解锁、安全防护等，医生和医务人员利用人脸识别来获取病历和病史，更好地诊断疾病。

入门Python其实很容易，但是我们要去坚持学习，每一天坚持很困难，我相信很多人学了一个星期就放弃了，为什么呢？其实没有好的学习资料给你去学习，你们是很难坚持的，这是小编收集的Python入门学习资料关注，转发，私信小编“01”，即可免费领取！希望对你们有帮助

关于Python人脸识别

在这个python项目中，我们将构建一个机器学习模型，该模型从图像中识别人。我们在项目中使用了人脸识别API和OpenCV。

随时了解最新的技术趋势
加入DataFlair的电报！

工具与图书馆

• Python-3.x
• CV2-4.5.2
• 矮胖-1.20.3
• 人脸识别-1.3.0

若要安装上述软件包，请使用以下命令。

pip install numpy opencv-python

要安装FaceRecognition，首先安装dlib包。

pip install dlib

现在，使用以下命令安装面部识别模块

pip install face_recognition

下载人脸识别Python代码

请下载python面部识别项目的源代码： 人脸识别工程代码

项目数据集

我们可以使用我们自己的数据集来完成这个人脸识别项目。对于这个项目，让我们以受欢迎的美国网络系列“老友记”为数据集。该数据集包含在面部识别项目代码中，您在上一节中下载了该代码。

建立人脸识别模型的步骤

在继续之前，让我们知道什么是人脸识别和检测。

人脸识别是从照片和视频帧中识别或验证一个人的脸的过程。

人脸检测是指在图像中定位和提取人脸(位置和大小)以供人脸检测算法使用的过程。

人脸识别方法用于定位图像中唯一指定的特征。在大多数情况下，面部图片已经被移除、裁剪、缩放和转换为灰度。人脸识别包括三个步骤：人脸检测、特征提取、人脸识别。

OpenCV是一个用C++编写的开源库.它包含了用于计算机视觉任务的各种算法和深度神经网络的实现。

1.准备数据集

创建2个目录，训练和测试。从互联网上为每个演员选择一个图片，并下载到我们的“火车”目录中。确保您所选择的图像能够很好地显示人脸的特征，以便对分类器进行分类。

为了测试模型，让我们拍摄一张包含所有强制转换的图片，并将其放到我们的“test”目录中。

为了您的舒适，我们增加了培训和测试数据与项目代码。

2.模型的训练

首先导入必要的模块。

import face_recognition as fr
import cv2

import numpy as np
import os

人脸识别库包含帮助人脸识别过程的各种实用程序的实现。

现在，创建2个列表来存储图像(人员)的名称及其各自的脸编码。

path = "./train/"

known_names = []
known_name_encodings = []

images = os.listdir(path)

人脸编码是一种值的矢量，它代表着脸部特征之间的重要度量，如眼睛之间的距离、额头的宽度等。

我们循环遍历火车目录中的每个图像，提取图像中的人的姓名，计算其脸编码向量，并将信息存储在相应的列表中。

for _ in images:
image = fr.load_image_file(path + _)
image_path = path + _
encoding = fr.face_encodings(image)[0]

known_name_encodings.append(encoding)
known_names.append(os.path.splitext(os.path.basename(image_path))[0].capitalize())

3.在测试数据集中测试模型

如前所述，我们的测试数据集只包含一个包含所有人员的图像。

使用CV2 imread()方法读取测试映像。

test_image = "./test/test.jpg"

image = cv2.imread(test_image)

人脸识别库提供了一种名为Face_Locations()的有用方法，它定位图像中检测到的每个人脸的坐标(左、下、右、上)。使用这些位置值，我们可以很容易地找到脸编码。

face_locations = fr.face_locations(image)

face_encodings = fr.face_encodings(image, face_locations)

我们循环遍历每个面部位置及其在图像中的编码。然后，我们将这种编码与“列车”数据集中的人脸编码进行比较。

然后计算人脸距离，即计算测试图像编码和训练图像编码之间的相似性。现在，我们从它选取最小值距离，表示测试图像的这张脸是训练数据集中的人之一。

现在，使用CV2模块中的方法绘制一个带有面部位置坐标的矩形。

for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
   matches = fr.compare_faces(known_name_encodings, face_encoding)
   name = ""

   face_distances = fr.face_distance(known_name_encodings, face_encoding)
   best_match = np.argmin(face_distances)

   if matches[best_match]:
       name = known_names[best_match]

   cv2.rectangle(image, (left, top), (right, bottom), (0, 0, 255), 2)
   cv2.rectangle(image, (left, bottom - 15), (right, bottom), (0, 0, 255), cv2.FILLED)

   font = cv2.FONT_HERSHEY_DUPLEX
   cv2.putText(image, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)

使用CV2模块的imShow()方法显示图像。

cv2.imshow("Result", image)

使用imwrite()方法将图像保存到当前工作目录中。

cv2.imwrite("./output.jpg", image)

释放未被释放的资源(如果有的话)。

cv2.waitKey(0)
cv2.destroyAllWindows()

Python人脸识别输出

让我们看看模型的输出。

摘要

在这个机器学习项目中，我们使用我们自己的自定义数据集，在python和OpenCV中开发了一个人脸识别模型。