深圳市天一智联科技有限公司

教你如何制作自己的人脸识别系统

作者：admin 发布时间：2020-08-14 10:03 浏览次数：

其实这套体系的原理很简略，本着能够让每个人都能读懂的准则，一定不要用专业的眼光去看这套体系，其实它只不过是用几个现成的组件拼接而成的。

预备工作：摄像头，Ubuntu体系、python开发环境、网络环境

没错，便是这么简略，需求预备的东西并不多。这里你也能够用Windows体系来搭建，只要你高兴，怎么着都行。

装置python的依赖包

关于python环境，你能够直接经过下载anaconda，它是一款python的集成开发环境，里边包含了很多的python依赖包。接下来会装置一些anaconda中没有的依赖包：face_recognition、OpenaCV、pymysql、wxpy

关于pymysql，能够这么装置：

pip install pymysql -i https://pypi.tuna.tsinghua.edu.cn/simple

关于face_recognition和OpenaCV，会比较费事

装置OpenCV

装一大堆内核：

#Remove any previous installations of x264

sudo apt-get remove x264 libx264-dev

#We will Install dependencies now

sudo apt-get install build-essential checkinstall cmake pkg-config yasmsudo apt-get install git gfortransudo apt-get install libjpeg8-dev libjasper-dev libpng12-dev

# If you are using Ubuntu 14.04

sudo apt-get install libtiff4-dev

# If you are using Ubuntu 16.04

sudo apt-get install libtiff5-dev

sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libdc1394-22-dev

sudo apt-get install libxine2-dev libv4l-dev

sudo apt-get install libgstreamer0.10-dev libgstreamer-plugins-base0.10-dev

sudo apt-get install qt5-default libgtk2.0-dev libtbb-dev

sudo apt-get install libatlas-base-devsudo apt-get install libfaac-dev libmp3lame-dev libtheora-dev

sudo apt-get install libvorbis-dev libxvidcore-dev

sudo apt-get install libopencore-amrnb-dev libopencore-amrwb-dev

sudo apt-get install x264 v4l-utils

# Optional dependencies

sudo apt-get install libprotobuf-dev protobuf-compiler

sudo apt-get install libgoogle-glog-dev libgflags-dev

sudo apt-get install libgphoto2-dev libeigen3-dev libhdf5-dev doxygen

下载opencv包：

git clone https://github.com/opencv/opencv.git
cd opencv
git checkout 3.3.1
cd ..

下载opencv_contrib包：

git clone https://github.com/opencv/opencv_contrib.git cd opencv_contrib git checkout 3.3.1 cd ..

开端编译：

cd opencv 
mkdir release

cd release

cmake -DBUILD_TIFF=ON \
      -DBUILD_opencv_java=OFF \      
      -DWITH_CUDA=OFF \      
      -DWITH_OPENGL=ON \      
      -DWITH_OPENCL=ON \      
      -DWITH_IPP=ON \      
      -DWITH_TBB=ON \      
      -DWITH_EIGEN=ON \      
      -DWITH_V4L=ON \      
      -DWITH_VTK=OFF \      
      -DBUILD_TESTS=OFF \      
      -DBUILD_PERF_TESTS=OFF \      
      -DCMAKE_BUILD_TYPE=RELEASE \      
      -DCMAKE_INSTALL_PREFIX=$(python -c "import sys; print(sys.prefix)") \      
      -DPYTHON3_EXECUTABLE=$(which python) \      
      -DPYTHON3_INCLUDE_DIR=$(python -c "from distutils.sysconfig import get_python_inc; print(get_python_inc())") \      
      -DPYTHON3_PACKAGES_PATH=$(python -c "from distutils.sysconfig import get_python_lib; print(get_python_lib())") \      
      ..

make -j4 
make install # not sudo, except for Raspberry Pi

#Note: on the Raspberry Pi, consider make -j2 to avoid over-temperature and under-voltage warnings (in general when compiling on Raspberry Pi, not just for OpenCV).

此时此刻，opencv已经编译完成了，在你的

/home/[user_name]/anaconda3/lib/python3.6/site-packages/

下会有一个cv*.so的文件，创立一个软衔接到你的虚拟环境下就OK了：

cd /home/[user_name]/anaconda3/lib/python3.6/site-packages/
ln -s /home/[user_name]/anaconda3/lib/python3.6/site-packages/cv2.cpython-36m-x86_64-linux-gnu.so cv2.so

能够打开ipython来验证一下：

In [1]: import cv2

In [2]: print(cv2.__version__)
3.3.1-dev

装置face_recognition

这个比较简略，官方写了一份文档十分详细，能够下载看看：

https://media.readthedocs.org/pdf/face-recognition/latest/face-recognition.pdf

要说明的是，在看装置说明时仔细一点。装置face_recognition之前需求先装置dlib，文档上都有链接，亲测可用，十分顺利。

人脸辨认

接下来该编写一小段程序了，不过不要发慌，程序也有现成的例子，只需求根据自己的需求改一改，就能够了。python语言的优点便是阅览性很强，根本能看懂英语的都能读懂代码什么意思，所以这份代码的样例读起来也很容易，衔接在这里：

https://github.com/ageitgey/face_recognition/blob/master/examples/facerec_from_webcam_faster.py

上面的注释是比较详细的，这里我挑几段简略介绍一下：

video_capture = cv2.VideoCapture(0)          ①

# Find all the faces and face encodings in the current frame of video

face_locations = face_recognition.face_locations(small_frame)   ②

face_encodings = face_recognition.face_encodings(small_frame, face_locations)     ③

第1行是将摄像头打开，开端捕捉画面；第2行是寻觅画面中出现的人脸图画，第3行是提取出人脸图画中的特征。什么是特征？你能够简略把他理解为电脑为辨认出人脸而定制的一套规矩，契合这套规矩就被认为是人脸。

找出人脸后与预存的人脸进行比照。比照的操作实际上便是核算相似度。首要需求将预存的人脸图画进行向量化，存储为numpy.array格局。当然，为了每次启动程序时不用重复对预存的图片向量化，能够将成果进行存储，用的时候读取就行。

import os                
import face_recognition
import numpy as np       
import constants as cons
know_face_path = cons.BASE_FACES_PATH
model_path = cons.MODEL_PATH
time_now = cons.time_str

known_faces = []         
known_names = []

for index, file_name in enumerate(sorted(os.listdir(know_face_path))):  # 为了调用时次序一致
    test_image = face_recognition.load_image_file(know_face_path + '/' + file_name)
    model = face_recognition.face_encodings(test_image)[0]
    np.savetxt(model_path + '/' + time_now + '_' + str(index) + '.model', model)

接下来，开端核算间隔，排序，选出在我所设置阈值内的最小值，进行标识：

match = face_recognition.compare_faces(known_faces, face_encoding, tolerance=0.38)
dis = face_recognition.face_distance(known_faces, face_encoding)
name = "Unknown"
id = np.argmin(dis)

if match[id]:
    name = known_names[id].split('.')[0]

好了，这便是代码中的首要部分，剩下的便是一些个性化的定制了。比如你能够在检测到人脸之后，给自己发送微信音讯，这就用到了wxpy

登录微信：

# 导入模块
from wxpy import *
# 初始化机器人，扫码登录
bot = Bot()

寻觅老友：

my_firend = bot.friends().search('张三', sex=MALE)[0]

发送音讯：

# 发送文本给老友
my_friend.send('Hello!!!')
# 发送图片
my_friend.send_image('my_picture.fig')

以上便是制造人脸识别系统的进程，进程相比照较简略，只要有耐性，都能够制造完成，尤其是当看到体系正常运行时的心情，如沐浴春风，天都蓝了。

上一篇：现场作业可视化

下一篇：智慧工地监理行业浅析