Python怎么構建人臉識別模型

這篇文章主要講解了“Python怎么構建人臉識別模型”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“Python怎么構建人臉識別模型”吧！

01 介紹

你是否意識到，每當你上傳照片到Facebook上，平臺都會用人臉識別算法來識別圖片中的人物？目前還有一些政府在用人臉識別技術來識別和抓捕罪犯。此外，最常見的應用就是通過自己的臉部解鎖手機。

計算機視覺的子領域應用得非常廣泛，并且全球很多商業活動都已經從中獲益。人臉識別模型的使用在接下來的幾年內還會繼續增長，所以一起來了解如何從零開始構建人臉識別模型吧！

本文首先會介紹人臉識別模型的內部工作原理。隨后結合一個簡單的案例，我們將通過Python進行案例實踐。在本文的***部分，你將完成你的***個人臉識別模型！

02 理解人臉識別的工作原理

為了理解人臉識別算法工作原理，我們首先來了解一下特征向量的概念。（譯者注：此處的特征向量指機器學習的概念，不同于矩陣理論。）

每個機器學習算法都會將數據集作為輸入，并從中學習經驗。算法會遍歷數據并識別數據中的模式。例如，假定我們希望識別指定圖片中人物的臉，很多物體是可以看作模式的：

• 臉部的長度/寬度。

• 由于圖片比例會被調整，長度和高度可能并不可靠。然而，在放縮圖片后，比例是保持不變的——臉部長度和寬度的比例不會改變。

• 臉部膚色。

• 臉上局部細節的寬度，如嘴，鼻子等。

顯而易見，此時存在一個模式——不同的臉有不同的維度，相似的臉有相似的維度。有挑戰性的是需要將特定的臉轉為數字，因為機器學習算法只能理解數字。表示一張臉的數字（或訓練集中的一個元素）可以稱為特征向量。一個特征向量包括特定順序的各種數字。

舉一個簡單的例子，我們可以將一張臉映射到一個特征向量上。特征向量由不同的特征組成，如：

• 臉的長度（cm）

• 臉的寬度（cm）

• 臉的平均膚色（R，G，B）

• 唇部寬度（cm）

• 鼻子長度（cm）

當給定一個圖片時，我們可以標注不同的特征并將其轉化為如下的特征向量：

如此一來，我們的圖片現在被轉化為一個向量，可以表示為(23.1,15.8,255,224,189,5.2,4.4)。當然我們還可以從圖片中衍生出無數的其他特征（如，頭發顏色，胡須，眼鏡等）。然而在這個簡單的例子中，我們只考慮這五個簡單的特征。

現在，一旦我們將每個圖片解碼為特征向量，問題就變得更簡單。明顯地，當我們使用同一個人的兩張面部圖片時，提取的特征向量會非常相似。換言之，兩個特征向量的“距離”就變得非常小。

此時機器學習可以幫我們完成兩件事：

• 提取特征向量。由于特征過多，手動列出所有特征是非常困難的。一個機器學習算法可以自動標注很多特征。例如，一個復雜的特征可能是：鼻子長度和前額寬度的比例。手動列出所有的這些衍生特征是非常困難的。

• 匹配算法：一旦得到特征向量，機器學習算法需要將新圖片和語料庫中的特征向量進行匹配。

既然我們對人臉識別如何工作有了基本的理解，讓我們運用一些廣泛使用的Python庫來搭建自己的人臉識別算法。

03 案例學習

首先給定一些人物臉部的圖片——可能是一些名人，如Mark Zuckerberg, Warren Buffett, Bill Gates, Shah Rukh Khan等，并把這些人臉看作我們的語料庫。現在，我們給定一些其他名人的新圖片（“新人物”），并判斷這些“新人物”是否在語料庫中。

以下是語料庫中的圖片：

如圖所示，我們所列舉的名人有Barack Obama, Bill Gates, Jeff Bezos, Mark Zuckerberg, Ray Dalio 和Shah Rukh Khan。

現在，假定“新人物”如下：

▲注：以上所有圖片均來自Google圖片

顯而易見，這是Shah Rukh Khan。然而對電腦來說，這個任務很有挑戰性。因為對于我們來說，我們可以輕易地將圖片的多種特征結合來判斷這是哪個人物。然而對電腦而言，學習如何識別人臉是非常不直觀的。

有一個神奇但是簡單的python庫封裝了以上提及的內容——可以根據臉部特征生成特征向量并且知道如何區分不同的臉。這個python庫叫做face_recognition。它應用了dlib——一個現代C++工具包，其中包含了一些機器學習算法來幫助完成復雜的基于C++的應用。

Python中的face_recognition庫可以完成大量的任務：

• 發現給定圖片中所有的臉。

• 發現并處理圖片中的臉部特征。

• 識別圖片中的臉。

• 實時的人臉識別。

接下來，我們將探討其中的第三種任務——識別圖片中的臉。

你可以在github的如下鏈接中獲取face_recognition庫的源代碼。

04 Python應用

這部分包括使用face_recognition庫搭建簡單人臉識別系統的代碼。這是一個應用操作的部分，我們將在下一部分解讀代碼來理解更多細節。

# import the libraries  import os  import face_recognition  # make a list of all the available images  images = os.listdir('images')  # load your image  image_to_be_matched = face_recognition.load_image_file('my_image.jpg')  # encoded the loaded image into a feature vector  image_to_be_matched_encoded = face_recognition.face_encodings(      image_to_be_matched)[0]  # iterate over each image  for image in images:      # load the image      current_image = face_recognition.load_image_file("images/" + image)      # encode the loaded image into a feature vector      current_image_encoded = face_recognition.face_encodings(current_image)[0]      # match your image with the image and check if it matches      result = face_recognition.compare_faces(          [image_to_be_matched_encoded], current_image_encoded)      # check if it was a match      if result[0] == True:          print "Matched: " + image      else:          print "Not matched: " + image

文件結構如下：

facialrecognition：

• fr.py

• my_image.jpg

• images/

• barack_obama.jpg

• bill_gates.jpg

• jeff_bezos.jpg

• mark_zuckerberg.jpg

• ray_dalio.jpg

• shah_rukh_khan.jpg

• warren_buffett.jpg

我們的根目錄，facialrecognition包括：

• fr.py的形式的人臉識別代碼。

• my_image.jpg – 即將被識別的圖片(“新人物”)。

• images/ – 語料庫。

如果你按照前文創建文件結構并執行代碼，如下是你能得到的結果：

Matched: shah_rukh_khan.jpg  Not matched: warren_buffett.jpg  Not matched: barack_obama.jpg  Not matched: ray_dalio.jpg  Not matched: bill_gates.jpg  Not matched: jeff_bezos.jpg  Not matched: mark_zuckerberg.jpg

顯而易見，新名人是Shah Rukh Khan 并且我們的人臉識別系統可以識別!

05 理解Python代碼

現在讓我們解讀代碼來，并理解其工作原理：

# import the libraries  import os  import face_recognition

以上是引入操作。我們將通過已經建好的os庫來讀入語料庫中的所有圖片，并且通過face_recognition來完成算法部分。

# make a list of all the available images  images = os.listdir('images')

這個簡單的代碼將幫助我們識別語料庫中所有圖片的路徑。一旦執行這些代碼，我們可以得到：

images = ['shah_rukh_khan.jpg', 'warren_buffett.jpg', 'barack_obama.jpg', 'ray_dalio.jpg', 'bill_gates.jpg', 'jeff_bezos.jpg', 'mark_zuckerberg.jpg']

現在，以下代碼將加載新人物的圖片：

# load your image  image_to_be_matched = face_recognition.load_image_file('my_image.jpg')

為了保證算法可以解析圖片，我們將人物臉部圖片轉化為特征向量：

# encoded the loaded image into a feature vector  image_to_be_matched_encoded = face_recognition.face_encodings(      image_to_be_matched)[0]

剩余的代碼相對簡單：

# iterate over each image  for image in images:      # load the image      current_image = face_recognition.load_image_file("images/" + image)      # encode the loaded image into a feature vector      current_image_encoded = face_recognition.face_encodings(current_image)[0]      # match your image with the image and check if it matches      result = face_recognition.compare_faces(          [image_to_be_matched_encoded], current_image_encoded)      # check if it was a match      if result[0] == True:          print "Matched: " + image      else:          print "Not matched: " + image

此時，我們：

• 對每個圖像進行循環操作。

• 將圖像解析為特征向量。

• 比較語料庫中已經加載的圖片和被識別的新人物圖片。

• 如果兩者匹配，我們就顯示出來。如果不匹配，我們也要顯示結果。

如上所示，結果顯示這個簡單的人臉識別算法進行得很順利。讓我們嘗試將my_image替換為另一個圖片：

當你再次運行這個算法，將會看到如下結果：

Not matched: shah_rukh_khan.jpg  Not matched: warren_buffett.jpg  Not matched: barack_obama.jpg  Not matched: ray_dalio.jpg  Not matched: bill_gates.jpg  Not matched: jeff_bezos.jpg  Not matched: mark_zuckerberg.jpg

很明顯，系統沒有將馬云識別為以上的任何一個名人。這意味著我們的算法在以下方面都表現得很好：

• 正確地識別那些在語料庫中存儲的人。

• 對語料庫中不存在的人物進行標注。

06 人臉識別算法的應用

人臉識別是一個成熟的研究方向，已被廣泛地應用在工業界和學術界。例如，一個罪犯在中國被捕可能就得益于人臉識別系統：系統識別了他的臉并發出警報。由此可見，面部識別可以用來減少犯罪。還有許多其他有趣的人臉識別案例:

• 面部身份驗證：Apple在iPhones中引入了Face ID以用于面部身份驗證。一些銀行也嘗試使用面部身份驗證來解鎖。

• 用戶服務：馬來西亞的一些銀行安裝了新的人臉識別系統，用于識別有價值的銀行客戶，以便銀行為其提供個人服務。進而銀行可以通過維持這類用戶并提升用戶滿意度來獲取更多收益。

• 保險行業：很多保險公司正在通過運用人臉識別系統來匹配人的臉和ID提供的照片，使賠付過程變得更簡單。

感謝各位的閱讀，以上就是“Python怎么構建人臉識別模型”的內容了，經過本文的學習后，相信大家對Python怎么構建人臉識別模型這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！