一、人脸对齐

训练好的模型库文件（替换你的模型文件位置）

import cv2
import dlib
import matplotlib.pyplot as plt

path="D:pythonLibsite-packagescv2photo.jpg"
img=cv2.imread(path)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#人脸分类器
detector=dlib.get_frontal_face_detector()
#获取人脸检测器
#predictor = dlib.shape_predictor(r"D:pythonLibsite-packagesface_recognition_modelsmodelsshape_predictor_68_face_landmarks.dat")
predictor = dlib.shape_predictor(r"D:pythonLibsite-packagesface_recognition_modelsmodelsshape_predictor_5_face_landmarks.dat")

dets=detector(gray,1)#第二个参数代表将原图放大多少倍在进行检测，提高小人脸的检测效果

for face in dets:
 # 使用predictor进行人脸关键点检测 shape为返回的结果
    shape=predictor(img,face) #寻找人脸的5个标定点
    #遍历所有点，打印出其坐标，并圈出来
    for pt in shape.parts():
        pt_pos=(pt.x,pt.y)
        img=cv2.circle(img,pt_pos,3,(255,0,0),1)
        
plt.imshow(img)
plt.axis('off')
plt.show()
#运行结果：5点

5点运行结果

 68点运行结果

---

二、人脸识别

import cv2
import face_recognition
import matplotlib.pyplot as plt

known_image=cv2.imread("D:pythonLibsite-packagescv2qiu.jpg")
known_image=face_recognition.load_image_file("D:pythonLibsite-packagescv2qiu.jpg")

unknown_image=cv2.imread("D:pythonLibsite-packagescv2photo.jpg")
unknown_image=face_recognition.load_image_file("D:pythonLibsite-packagescv2photo.jpg")

known_encoding=face_recognition.face_encodings(known_image)[0]
unknown_encoding=face_recognition.face_encodings(unknown_image)[0]

results=face_recognition.compare_faces([known_encoding],
                                       unknown_encoding,
                                      tolerance=0.6)
if results[0]==True:
    print('匹配成功，该未知图片与已有图片人脸可匹配！')
else:
    print('匹配失败！')
print(known_encoding) 
print(unknown_encoding)
plt.imshow(known_image)
plt.axis('off')  #去掉坐标轴
plt.show()

plt.imshow(unknown_image)
plt.axis('off')  #去掉坐标轴
plt.show()

 

 

 更换图片后  识别成功

 

 

调整人脸识别的容错率和敏感度

如果一张脸识别出不止一个结果，那么这意味着他和其他人长的太像了（本项目对于小孩和亚洲人的人脸识别准确率有待提升）。可以把容错率调低一些，使识别结果更加严格。

通过传入参数 tolerance 来实现这个功能，默认的容错率是0.6，容错率越低，识别越严格准确。

---

三、使用dir、inspect查看一个module的成员、类、文档

1.dir的用法——查询一个类或者对象的所有属性和方法

dir() 将对象的所有属性、方法以列表形式返回

函数不带参数时，返回当前范围内的变量、方法和定义的类型列表；带参数时，返回参数的属性、方法列表。

实例

>>>dir()   #  获得当前模块的属性列表
['__builtins__', '__doc__', '__name__', '__package__', 'arr', 'myslice']

>>> dir([ ]) # 查看列表的方法
['__add__', '__class__', '__contains__', '__delattr__', '__delitem__', '__delslice__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__getitem__', '__getslice__', '__gt__', '__hash__', '__iadd__', '__imul__', '__init__', '__iter__', '__le__', '__len__', '__lt__', '__mul__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__reversed__', '__rmul__', '__setattr__', '__setitem__', '__setslice__', '__sizeof__', '__str__', '__subclasshook__', 'append', 'count', 'extend', 'index', 'insert', 'pop', 'remove', 'reverse', 'sort'] >>

>>> dir(max)
['__call__', '__class__', '__delattr__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__le__', '__lt__', '__module__', '__name__', '__ne__', '__new__', '__qualname__', '__reduce__', '__reduce_ex__', '__repr__', '__self__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '__text_signature__']

2.inspect模块

使用inspect.getmembers(obj)这个方法能够获取到更详尽的自省信息，且可读性更佳，下面将其和dir内置函数进行比较：

import inspect
#示例对象--某个函数
def foo(a: int, b: str) -> int:
    return a + int(b)
    
dir(foo)
-->['__annotations__', '__call__', '__class__',...]

inspect.getmembers(foo)
-->[
('__annotations__', {'a': , 'b': , 'return': }),
('__call__', ), 
('__class__', ),
...]

可以看到使用dir()仅仅获得一个字符串列表，而使用inspect.getmembers()可以获得每个属性的类型信息。

3.还可以通过python docs查询模块、函数等的使用方法