您的位置:首页 > 脚本大全 > > 正文

opencv自带的人脸识别(Dlib+OpenCV深度学习人脸识别的方法示例)

更多 时间:2021-10-04 01:05:10 类别:脚本大全 浏览量:2767

opencv自带的人脸识别

Dlib+OpenCV深度学习人脸识别的方法示例

前言

人脸识别在lwf(labeled faces in the wild)数据集上人脸识别率现在已经99.7%以上,这个识别率确实非常高了,但是真实的环境中的准确率有多少呢?我没有这方面的数据,但是可以确信的是真实环境中的识别率并没有那么乐观。现在虽然有一些商业应用如员工人脸识别管理系统、海关身份验证系统、甚至是银行人脸识别功能,但是我们可以仔细想想员工人脸识别管理,海关身份证系统的应用场景对身份的验证功能其实并没有商家吹嘘的那么重要,打个比方说员工上班的时候刷脸如果失败了会怎样,是不是重新识别一下,如果还是误识别,或是识别不出,是不是就干脆刷卡或是其他方式登记上班,然后骂一句他娘的,本人那么帅居然没识别出来!那银行柜员机上人脸识别系统呢,你看它敢不敢让你连密码也不输直接刷脸转账,是不是关掉了人脸识别、指纹识别机器还可以正常运作。所以说真实环境中在各种光照因素、年龄因素、网红因素(化妆)、甚至是作弊因素等各种因素条件下的识别率有多少只有产品厂家自己知道,我相信每个厂家针对这些情况都有做优化,比如外围硬件的辅助,针对特定场景的各种约束等等,通过各个厂家自己在各个方面对系统的优化,是可以提升自身产品的综合体验的。

前面扯远了,本文的目的是实现一个人脸识别的最简单实际应用,即用摄像头捕捉动态人脸,然后和已经存储在数据库中的128d人脸特征进行比较识别出相应的人脸信息(名字等)。工程是基于vs2015+简单的mfc对话框实现的,代码存放在:http://git.oschina.net/wjiang/face_recognition

在这个系统中我预先存储了下面几位明星的正面头像的128d人脸特征,当然你可以存储和导入更多的人脸。

opencv自带的人脸识别(Dlib+OpenCV深度学习人脸识别的方法示例)

然后经过人脸检测、人脸图像处理,和人脸识别等步骤识别出相应的人脸信息,识别效果如下(怕大家被丑到所以用了明星的图片,没有用真实的人脸 – 没有做活体检测):

opencv自带的人脸识别(Dlib+OpenCV深度学习人脸识别的方法示例)

opencv自带的人脸识别(Dlib+OpenCV深度学习人脸识别的方法示例)

当然这只是一个简单的应用,真正用到生产的系统,还需运用活体检测等技术,防止运用照片或是手机视频等方式欺骗过人脸识别系统,安全级别要求更高的应用领域例如支付、转账等系统活体检测可能仍不够安全,这时还可以通过人脸识别+验证密码等方式加强安全性能。

人脸数据库导入

人脸数据导入,也就是说我在系统启动之初,需要导入我的人脸数据库,也就是前面的那些明星的正面照。装载的开始阶段,因为要检测静态人脸图片的人脸部位,首先需要用dlib的人脸检测器,用get_frontal_face_detector()获得。然后需要将68点人脸标记模型导入shape_predictor sp,目的就是要对其人脸到一个标准的姿势,接着就是装载dnn模型。然后取每张人脸照片的特征,并将特征和姓名等相关的信息放入face_desc结构中,最后将每张人脸信息结构放入face_desc_vec容器中,这里我只装载了9个明星的人脸信息。

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • int face_recognition::load_db_faces(void)
  • {
  •   intrc = -1;
  •   longhfile = 0;
  •   struct_finddata_tfileinfo;
  •   
  •   frontal_face_detectordetector =get_frontal_face_detector();
  •   // we will also use a face landmarking model to align faces to a standard pose: (see face_landmark_detection_excpp for an introduction)
  •   deserialize("shape_predictor_68_face_landmarksdat") >>sp;
  •   
  •   // and finally we load the dnn responsible for face recognition
  •   deserialize("dlib_face_recognition_resnet_model_vdat") >>net;
  •   
  •   if ((hfile =_findfirst("\\faces\\.jpg" alt="opencv自带的人脸识别(Dlib+OpenCV深度学习人脸识别的方法示例)" border="0" />, &fileinfo)) != -1)
  •   {
  •     do
  •     {
  •       if ((fileinfoattrib &_a_arch))
  •       {
  •         if (strcmp(fileinfoname,"") != 0 && strcmp(fileinfoname,"") != 0)
  •         {
  •           if (!strcmp(strstr(fileinfoname,"") + 1 , "
  •           {
  •             cout <<"this file is an image file!" <<fileinfoname <<endl;
  •             matrix<rgb_pixel>img;
  •             charpath[260];
  •             sprintf_s(path,"\\faces\\%s",fileinfoname);
  •             load_image(img,path);
  •             image_windowwin(img);
  •   
  •             for (autoface :detector(img))
  •             {
  •               autoshape =sp(img,face);
  •               matrix<rgb_pixel>face_chip;
  •               extract_image_chip(img,get_face_chip_details(shape, 150, 25),face_chip);
  •               //record the all this face's information
  •               face_descsigle_face;
  •               sigle_faceface_chip =face_chip;
  •               sigle_facename =fileinfoname;
  •   
  •               std::vector<matrix<rgb_pixel>>face_chip_vec;
  •               std::vector<matrix<float, 0, 1>>face_all;
  •   
  •               face_chip_vecpush_back(move(face_chip));
  •               //asks the dnn to convert each face image in faces into a 128d vector
  •               face_all =net(face_chip_vec);
  •   
  •               //get the feature of this person
  •               std::vector<matrix<float, 0, 1>>::iteratoriter_begin = face_allbegin(),
  •                 iter_end =face_allend();
  •               if (face_allsize() > 1)break;
  •               sigle_faceface_feature = *iter_begin;
  •   
  •               //all the person description into vector
  •               face_desc_vecpush_back(sigle_face);
  •   
  •               winadd_overlay(face);
  •             }
  •           }
  •           else
  •           {
  •             cout <<"this file is not image file!" <<fileinfoname <<endl;
  •           }          
  •         }
  •       }
  •       else
  •       {
  •         //filespush_back(passign(path)append("\\")append(fileinfoname));
  •       }
  •     } while (_findnext(hfile, &fileinfo) == 0);
  •     _findclose(hfile);
  •   }
  •   returnrc;
  • }
  • 人脸检测

    人脸检测在人脸识别的应用系统中我认为是至关重要的一环,因为人脸检测的好坏直接影响最终的识别率,如果在人脸检测阶段能做到尽量好的话,系统的识别率会有一个比较大的提升。下面的是人脸检测的具体代码实现(很简陋莫怪),尝试了用dlib人脸检测,opencv人脸检测,还有于仕琪的libfacedetection,比较发现于仕琪的libfacedetection是做人脸检测最好的一个,速度快,并且检测图像效果也很好。

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • intcapture_face(matframe,mat&out)
  • {
  •   matgray;
  •   matface;
  •   intrc = -1;
  •  
  •   if (frame.empty() || !frame.data)return -1;
  •  
  •   cvtcolor(frame,gray,cv_bgr2gray);
  •   int *presults =null;
  •  
  •   unsignedchar *pbuffer = (unsignedchar *)malloc(detect_buffer_size);
  •   if (!pbuffer)
  •   {
  •     fprintf(stderr,"can not alloc buffer.\n");
  •     return -1;
  •   }
  •   //presults = facedetect_frontal_tmp((unsigned char*)(gray.ptr(0)), gray.cols, gray.rows, gray.step,
  •   //  1.2f, 5, 24);
  •   presults =facedetect_multiview_reinforce(pbuffer, (unsignedchar*)(gray.ptr(0)),gray.cols,gray.rows, (int)gray.step,
  •     1.2f, 2, 48, 0, 1);
  •  
  •   //printf("%d faces detected.\n", (presults ? *presults : 0));//重复运行
  •                               //print the detection results
  •   if (presults !=null)
  •   {
  •     for (inti = 0;i < (presults ? *presults : 0);i++)
  •     {
  •       short *p = ((short*)(presults + 1)) + 6 *i;
  •       intx =p[0];
  •       inty =p[1];
  •       intw =p[2];
  •       inth =p[3];
  •       intneighbors =p[4];
  •  
  •       rect_<float>face_rect =rect_<float>(x,y,w, h);
  •       face =frame(face_rect);
  •  
  •       printf("face_rect=[%d, %d, %d, %d], neighbors=%d\n",x,y, w,h,neighbors);
  •       pointleft(x,y);
  •       pointright(x +w,y + h);
  •       cv::rectangle(frame,left,right, scalar(230, 255, 0), 4);   
  •     }
  •     //imshow("frame", frame);
  •     if (face.empty() || !face.data)
  •     {
  •       face_detect_count = 0;
  •       return -1;
  •     }
  •     if (face_detect_count++ > 30)
  •     {
  •       imshow("face",face);
  •       out =face.clone();
  •       return 0;
  •     }
  •   }
  •   else
  •   {
  •     //face is moving, and reset the detect count
  •     face_detect_count = 0;
  •   }
  •  
  •   returnrc;
  • }
  • 人脸识别

    通过人脸检测函数capture_face()经过处理之后临时保存在工程目录下的cap.jpg" alt="opencv自带的人脸识别(Dlib+OpenCV深度学习人脸识别的方法示例)" border="0" />

    这种模式的应用,也就是我们所说的1:n应用,1对n是比较考验系统运算能力的,举个例子,现在支付宝账户应该已经是上亿级别的用户,如果你在就餐的时候选择使用支付宝人脸支付,也许在半个小时内服务器也没有找你的脸,这下就悲催,当然在真实应用场景可能是还需要你输入你的名字,这下可能就快多了,毕竟全国可能和你重名的也就了不的几千上万个吧,一搜索,人脸识别再一验证即可。

    前面的这些还没有考虑安全的因素,比如说双胞胎啊,化妆啊(网红的年代啊),还有年龄的因素,环境的因素还包括光照、角度等导致的误识别或是识别不出,识别不出的情况还好,如果是误识别对于支付等对于安全性要求极其严苛的应用来说简直就是灾难。所以人脸识别还有很大的局限性 – 额,好像扯远了。

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
  • 80
  • 81
  • 82
  • 83
  • 84
  • 85
  • 86
  • 87
  • 88
  • 89
  • 90
  • matrix<rgb_pixel> face_cap;
  •     //save the capture in the project directory
  •     load_image(face_cap, ".\\cap.jpg" alt="opencv自带的人脸识别(Dlib+OpenCV深度学习人脸识别的方法示例)" border="0" />);
  •  
  •     //display the raw image on the screen
  •     image_window win1(face_cap);
  •  
  •     frontal_face_detector detector = get_frontal_face_detector();
  •     std::vector<matrix<rgb_pixel>> vect_faces;
  •  
  •     for (auto face : detector(face_cap))
  •     {
  •         auto shape = face_recognize.sp(face_cap, face);
  •         matrix<rgb_pixel> face_chip;
  •         extract_image_chip(face_cap, get_face_chip_details(shape, 150, 0.25), face_chip);
  •         vect_faces.push_back(move(face_chip));
  •         win1.add_overlay(face);
  •     }
  •  
  •     if (vect_faces.size() != 1)
  •     {
  •         cout <<"capture face error! face number "<< vect_faces.size() << endl;
  •         cap.release();
  •         goto capture;
  •     }
  •  
  •     //use dnn and get the capture face's feature with 128d vector
  •     std::vector<matrix<float, 0, 1>> face_cap_desc = face_recognize.net(vect_faces);
  •     //browse the face feature from the database, and find the match one
  •     std::pair<double,std::string> candidate_face;
  •     std::vector<double> len_vec;
  • 上一篇:html正确的颜色表达方式(HTML文本属性&amp;颜色控制属性的实现)
  • 下一篇:mysql 时间戳获取(MySQL时间盲注的五种延时方法实现)
  • 您可能感兴趣