操作系统: Windows 11
IDE: PyCharm Community Edition 2022.1.1
Python: 3.9.7
实验步骤 一、配置环境要想创建项目,首先需要安装flask包,输入
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple flask
会自动安装flask及其依赖。安装好之后,就可以开始创建flask项目了。
项目的目录大概是这个样子:
static用来储存静态资源,templates里面储存html页面。
__init__.py文件代码如下:
from flask import Flask app = Flask(__name__) import pythonProject.views
runserver.py文件代码如下:
from os import environ
from pythonProject import app
if __name__ == '__main__':
app.run(debug=True)
这两个文件完成了flask项目的创建。接下来,我们就可以开始着手编写我们想要的页面了。
二、将MySQL数据库中的新华字典打印到页面中首先要先安装一个叫pymysql的包,来连接mysql数据库。
安装好之后,就可以使用以下代码连接数据库了:
import pymysql
conn = pymysql.connect(
host="数据库地址",
user="用户名",
password="密码",
database="数据库名",
charset="utf8"
)
cursor = conn.cursor()
sql = "SELECt jijie FROM map_xhzd"
try:
cursor.execute(sql)
results = cursor.fetchall()
except:
conn.rollback()
sql变量储存的是查询语句,这里我们想将新华字典表中的释义打印出来,所以只select了"jijie"列。
之后,我们要设计以下这个页面的路由,这样我们才可以通过url来访问到这个页面:
@app.route('/xhzd')
def xhzd():
return render_template(
'xhzd.html',
zd=results
)
@app.route('/xhzd')表示我们可以通过"服务器地址/xhzd"来访问这个页面。"xhzd.html"是页面的html文件,zd参数传入了我们刚才获取的释义列表。
在写好了路由之后,我们就可以编写对应的html页面了。要注意,html文件要放在templates文件夹下,否则flask识别不出来。
新华字典
{% for i in range(5000) %}
{{zd[i]}}
{% endfor %}
路由中传入的参数可以通过jinjia2模板的形式进行访问。jinjia2也可以实现简单的python控制块。在这里,我们使用了jinjia2的for循环模板,对zd中的前5000条记录进行了遍历。
结果如下图所示:
三、 将人脸匹配识别的内容放入到页面中这里尝试用facenet_pytorch进行人脸匹配,首先要安装pytorch以及facenet_pytorch库。
之后要下载人脸识别的预训练模型,放到对应的目录:
之后就可以开始写人脸匹配识别的代码了,这里用的是师姐的代码:
import cv2
import torch
from facenet_pytorch import MTCNN, InceptionResnetV1
def load_known_faces(dstImgPath, mtcnn, resnet):
aligned = []
knownImg = cv2.imread(dstImgPath) # 读取图⽚
face = mtcnn(knownImg) # 使⽤mtcnn检测⼈脸,返回【⼈脸数组】
if face is not None:
aligned.append(face[0])
aligned = torch.stack(aligned).to(device)
with torch.no_grad():
known_faces_emb = resnet(aligned).detach().cpu() # 使⽤resnet模型获取⼈脸对应的特征向量
return known_faces_emb, knownImg
def match_faces(faces_emb, known_faces_emb, threshold):
isExistDst = False
distance = (known_faces_emb[0] - faces_emb[0]).norm().item()
if(distance < threshold):
isExistDst = True
return isExistDst
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
# mtcnn模型加载【设置⽹络参数,进⾏⼈脸检测】
mtcnn = MTCNN(min_face_size=12, thresholds=[0.2, 0.2, 0.3], keep_all=True, device=device)
# InceptionResnetV1模型加载【⽤于获取⼈脸特征向量】
resnet = InceptionResnetV1(pretrained='vggface2').eval().to(device)
MatchThreshold = 0.8 # ⼈脸特征向量匹配阈值设置
# 注意图⽚路径
known_faces_emb, _ = load_known_faces('pythonProject/static/sss1.jpg', mtcnn, resnet) # 已知⼈物图
faces_emb, img = load_known_faces('pythonProject/static/sss2.jpg', mtcnn, resnet) # 待检测⼈物图
isExistDst = match_faces(faces_emb, known_faces_emb, MatchThreshold)
# ⼈脸匹配
if isExistDst:
boxes, prob, landmarks = mtcnn.detect(img, landmarks=True) # 返回⼈脸框,概率,5个⼈脸关键点
result = '匹配'
# 画人脸框
img1 = cv2.imread('pythonProject/static/sss2.jpg')
rec = boxes[0]
img1 = cv2.rectangle(img1, (int(rec[0]), int(rec[1])), (int(rec[2]), int(rec[3])), (255, 0, 0), 2)
recpath = 'static/sss2rec.jpg'
cv2.imwrite('pythonProject/static/sss2rec.jpg', img1)
# 画特征点
img2 = cv2.imread('pythonProject/static/sss2.jpg')
for pt in landmarks[0]:
img2 = cv2.circle(img2, (int(pt[0]), int(pt[1])), 2, (0, 255, 0), 1)
ptpath = 'static/sss2pt.jpg'
cv2.imwrite('pythonProject/static/sss2pt.jpg', img2)
else:
result = '不匹配'
路由代码如下:
@app.route('/face')
def face():
return render_template(
'face.html',
faces_emb=faces_emb,
result=result,
boxes=boxes,
prob=prob,
recpath=recpath,
ptpath=ptpath
)
face.html文件代码如下:
人脸匹配
{{result}}
相似度为{{prob[0]}}
已知人物图
待检测人物图
人脸框框
{recpath}} />
人脸特征点
{ptpath}} />
特征向量
{% for i in faces_emb %}
{% for j in i %}
{{j}}
{% endfor %}
{% endfor %}
结果如下图所示:



