三分钟带你入门人脸识别-你这人脸识别咋识别

人脸识别是AI研究带给世界的众多奇迹之一。对于许多技术人员来说，这是一个充满好奇的话题-他们希望对事物的工作方式有基本的了解。让我们潜入主题，看看事情如何运作。

人脸识别

解决此类问题时，最好不要重新发明轮子-我们不能！最好遵循研究人员提供给我们的模型。开源中也有很多可用的工具。这样的Python库之一是face_recognition。它可以通过几个步骤工作：

识别给定图像中的人脸
识别面部特征
生成128个值的人脸编码向量

基于这种编码，我们可以测量两个脸部图像之间的相似度-可以告诉我们它们是否属于同一个人。

首先安装face_recognition模块

pip install face_recognition

导入模块
接下来，我们导入所需的模块

import PIL.Image 
import PIL.ImageDraw 
import requests 
from io import BytesIO 
 
from IPython.display import display 
 
import face_recognition

载入图片
接下来，我们加载图片。我已将图像存储在我的Github帐户中。这样我们就可以从URL中读取原始图像。

response = requests.get("https://raw.githubusercontent.com/solegaonkar/solegaonkar.github.io/master/img/rahul1.jpeg") 
fr_image = face_recognition.load_image_file(BytesIO(response.content))

识别面孔
加载面部后，让我们看一下face_recognition模块的各个部分。它如何识别人脸？

face_locations = face_recognition.face_locations(fr_image) 
 
number_of_faces = len(face_locations) 
print("I found {} face(s) in this photograph.".format(number_of_faces))

这给了我们一个输出：

I found 1 face(s) **in** this photograph.</span>

这意味着，该算法仅在图像中找到了一张脸。让我们看看所识别的图像和面部。

pil_image = PIL.Image.fromarray(fr_image) 
 
for face_location in face_locations: 
    # Print the location of each face in this image. Each face is a list of co-ordinates in (top, right, bottom, left) order. 
    top, right, bottom, left = face_location 
    print("A face is located at pixel location Top: {}, Left: {}, Bottom: {}, Right: {}".format(top, left, bottom, right)) 
    # Let's draw a box around the face 
    draw = PIL.ImageDraw.Draw(pil_image) 
    draw.rectangle([left, top, right, bottom], outline="black")

这给了我们一个输出

A face **is** located at pixel location Top: 68, Left: 117, Bottom: 291, Right: 340</span>

上面的代码还修改了图像以在脸部周围绘制一个矩形。让我们检查一下是否运作良好。

已经可以了。

人脸编码
这是我们的面孔。但是，对于我们的算法而言，它只是RGB值的数组—匹配从我们提供给它的数据样本中学到的模式。

对于面部识别，该算法记录了面部的某些重要测量值，例如眼睛的颜色和大小和倾斜度，眉毛之间的间隙等。所有这些共同定义了面部编码-从图像中获取的信息-即用于识别特定面孔。

为了了解从面部读取的内容，让我们看一下读取的编码。

face_encodings = face_recognition.face_encodings(fr_image) 
face_encodings[0]

打印出一个巨大的数组：

array([-0.10213576,  0.05088161, -0.03425048, -0.09622347, -0.12966095, 
        0.04867411, -0.00511892, -0.03418527,  0.2254715 , -0.07892745, 
        0.21497472, -0.0245543 , -0.2127848 , -0.08542262, -0.00298059, 
        0.13224372, -0.21870363, -0.09271716, -0.03727289, -0.1250658 , 
        0.09436664,  0.03037129, -0.02634972,  0.02594662, -0.1627259 , 
       -0.29416466, -0.12254384, -0.15237436,  0.14907973, -0.09940194, 
        0.02000656,  0.04662619, -0.1266906 , -0.11484023,  0.04613583, 
        0.1228286 , -0.03202137, -0.0715076 ,  0.18478717, -0.01387333, 
       -0.11409076,  0.07516225,  0.08549548,  0.31538364,  0.1297821 , 
        0.04055009,  0.0346106 , -0.04874525,  0.17533901, -0.22634712, 
        0.14879328,  0.09331974,  0.17943285,  0.02707857,  0.22914577, 
       -0.20668915,  0.03964197,  0.17524502, -0.20210043,  0.07155308, 
        0.04467429,  0.02973968,  0.00257265, -0.00049853,  0.18866715, 
        0.08767469, -0.06483966, -0.13107982,  0.21610288, -0.04506358, 
       -0.02243116,  0.05963502, -0.14988004, -0.11296406, -0.30011353, 
        0.07316103,  0.38660526,  0.07268623, -0.14636359,  0.08436179, 
        0.01005938, -0.00661338,  0.09306039,  0.03271955, -0.11528577, 
       -0.0524189 , -0.11697718,  0.07356471,  0.10350288, -0.03610475, 
        0.00390615,  0.17884226,  0.04291092, -0.02914601,  0.06112404, 
        0.05315027, -0.14561613, -0.01887275, -0.13125736, -0.0362937 , 
        0.16490118, -0.09027836, -0.00981111,  0.1363602 , -0.23134531, 
        0.0788044 , -0.00604869, -0.05569676, -0.07010217, -0.0408107 , 
       -0.10358225,  0.08519378,  0.16833456, -0.30366772,  0.17561394, 
        0.14421709, -0.05016343,  0.13464174,  0.0646335 , -0.0262765 , 
        0.02722404, -0.06028951, -0.19448066, -0.07304715,  0.0204969 , 
       -0.03045784, -0.02818791,  0.06679841])

这些数字中的每一个代表面部编码的正交分量。

相似
现在让我们研究下一步-确定面孔之间的相似性。为此，我们需要加载更多图像。

让我们首先加载三个图像。加载图像时，我们还先找到人脸，再找到人脸编码。

response = requests.get("https://raw.githubusercontent.com/solegaonkar/solegaonkar.github.io/master/img/rahul1.jpeg") 
image_of_person_1 = face_recognition.load_image_file(BytesIO(response.content)) 
face_locations = face_recognition.face_locations(image_of_person_1) 
person_1_face_encoding = face_recognition.face_encodings(image_of_person_1, known_face_locations=face_locations) 
 
response = requests.get("https://raw.githubusercontent.com/solegaonkar/solegaonkar.github.io/master/img/rahul2.jpg") 
image_of_person_2 = face_recognition.load_image_file(BytesIO(response.content)) 
face_locations = face_recognition.face_locations(image_of_person_2) 
person_2_face_encoding = face_recognition.face_encodings(image_of_person_2, known_face_locations=face_locations) 
 
response = requests.get("https://raw.githubusercontent.com/solegaonkar/solegaonkar.github.io/master/img/trump.jpg") 
image_of_person_3 = face_recognition.load_image_file(BytesIO(response.content)) 
face_locations = face_recognition.face_locations(image_of_person_3) 
person_3_face_encoding = face_recognition.face_encodings(image_of_person_3, known_face_locations=face_locations)

现在，识别相似性并不困难。face_recognition模块提供了一个简单的API。

face_recognition.compare_faces([person_1_face_encoding,person_3_face_encoding], person_2_face_encoding[0], tolerance=0.08)

该方法检查要比较的两个面的每个分量，并告诉我们当前分量是否在公差范围内变化。上面的命令显示如下输出：

[array([ True,  True,  True,  True,  True,  True,  True,  True,  True, 
         True,  True,  True,  True,  True,  True,  True,  True,  True, 
         True,  True,  True,  True,  True,  True,  True,  True,  True, 
         True,  True,  True,  True,  True,  True,  True,  True,  True, 
         True,  True,  True,  True, False,  True,  True,  True,  True, 
         True,  True,  True,  True,  True,  True,  True,  True, False, 
         True,  True,  True,  True,  True,  True,  True,  True,  True, 
         True,  True,  True,  True,  True, False,  True,  True,  True, 
         True,  True,  True,  True,  True,  True,  True,  True, False, 
         True,  True,  True,  True,  True,  True,  True,  True,  True, 
         True,  True,  True, False,  True,  True,  True,  True,  True, 
         True,  True,  True,  True,  True,  True,  True,  True,  True, 
         True,  True,  True,  True,  True,  True,  True,  True,  True, 
         True,  True,  True,  True,  True,  True,  True,  True, False, 
         True,  True]), 
 array([ True,  True,  True,  True,  True,  True, False, False, False, 
         True,  True,  True, False,  True,  True,  True, False,  True, 
        False,  True,  True,  True,  True, False,  True,  True,  True, 
        False,  True,  True,  True, False,  True,  True,  True,  True, 
         True,  True,  True,  True, False,  True, False,  True,  True, 
         True,  True,  True, False,  True, False,  True,  True,  True, 
        False, False,  True,  True,  True,  True,  True, False,  True, 
        False, False, False, False,  True, False,  True, False,  True, 
        False,  True,  True,  True,  True, False,  True,  True,  True, 
         True,  True,  True, False,  True,  True,  True, False,  True, 
         True, False,  True,  True,  True,  True,  True,  True,  True, 
         True,  True,  True,  True,  True, False, False,  True,  True, 
        False, False, False,  True,  True, False,  True,  True,  True, 
         True,  True,  True,  True,  True,  True, False, False,  True, 
         True,  True])]

这两个数组表示给定图像（在第二个参数中）与提供的列表（在第一个参数中）中每个已知面部编码的相似性。

我们可以看到第一个数组显示出更多相似性。可以正确识别该人。

数码化妆
如果您喜欢有趣，我们可以使用面部识别库做更多的事情。我们有一个API，可以帮助我们识别面部的各个特征。

face_landmarks_list = face_recognition.face_landmarks(fr_image) 
print(face_landmarks_list)

这为我们提供了每个单独特征曲线的长长列表。

[{ 
    'chin': [(46, 47), (45, 54), (44, 62), (44, 69), (44, 77), (46, 84), (49, 91), (54, 95), (61, 97), (68, 97), (76, 95), (84, 91), (90, 87), (94, 81), (97, 75), (99, 68), (101, 60)],  
    'left_eyebrow': [(51, 42), (54, 39), (58, 39), (63, 40), (67, 42)],  
    'right_eyebrow': [(75, 44), (80, 44), (86, 44), (90, 47), (93, 51)],  
    'nose_bridge': [(70, 48), (68, 52), (67, 56), (66, 60)],  
    'nose_tip': [(60, 64), (62, 65), (65, 67), (68, 66), (71, 66)],  
    'left_eye': [(55, 47), (57, 45), (61, 46), (63, 48), (60, 48), (57, 48)],  
    'right_eye': [(77, 51), (80, 50), (84, 51), (86, 54), (83, 54), (79, 53)],  
    'top_lip': [(54, 75), (58, 72), (61, 72), (64, 73), (66, 73), (70, 75), (73, 80), (71, 79), (66, 75), (63, 75), (61, 74), (56, 75)],  
    'bottom_lip': [(73, 80), (68, 81), (64, 81), (62, 80), (60, 80), (57, 78), (54, 75), (56, 75), (60, 77), (63, 78), (65, 78), (71, 79)] 
}]

我们可以对此图像应用数字化妆。

for face_landmarks in face_landmarks_list: 
    pil_image = PIL.Image.fromarray(fr_image) 
    d = PIL.ImageDraw.Draw(pil_image, 'RGBA') 
 
    # Make the eyebrows into a nightmare 
    d.line(face_landmarks['left_eyebrow'], fill=(0, 0, 0, 255), width=3) 
    d.line(face_landmarks['right_eyebrow'], fill=(0, 0, 0, 255), width=3) 
    d.polygon(face_landmarks['left_eyebrow'], fill=(0, 0, 0, 255)) 
    d.polygon(face_landmarks['right_eyebrow'], fill=(0, 0, 0, 255)) 
 
    # Gloss the lips 
    d.line(face_landmarks['top_lip'], fill=(0, 0, 0, 255), width=10) 
    d.line(face_landmarks['bottom_lip'], fill=(0, 0, 0, 255), width=10) 
 
    d.polygon(face_landmarks['bottom_lip'], fill=(255, 0, 0, 255)) 
    d.polygon(face_landmarks['top_lip'], fill=(255, 0, 0, 255)) 
    d.line(face_landmarks['top_lip'], fill=(0, 0, 0, 255), width=2) 
    d.line(face_landmarks['bottom_lip'], fill=(0, 0, 0, 255), width=2) 
 
    # Chin 
    d.polygon(face_landmarks['chin'], fill=(255, 0, 0, 16)) 
 
    # Apply some eyeliner 
    d.line(face_landmarks['left_eye'] + [face_landmarks['left_eye'][0]], fill=(10, 0, 0, 255), width=6) 
    d.line(face_landmarks['right_eye'] + [face_landmarks['right_eye'][0]], fill=(10, 0, 0, 255), width=6) 
 
    # Sparkle the eyes 
    d.polygon(face_landmarks['left_eye'], fill=(255, 0, 0, 200)) 
    d.polygon(face_landmarks['right_eye'], fill=(255, 0, 0, 200)) 
 
    display(pil_image)

下面是我们得到的。