DeepFace人脸检测（python实现）

文章目录

• • 1.Opencv人脸检测
  • • （1）基于级联分类器的人脸检测：
    • （2）训练自己的级联分类器：
    • （3）基于dlib人脸检测
  • 2.MTCNN人脸检测
  • 3.DeepFace人脸检测
  • 4.DeepFace中模型性能的比较
  • 5.实现过程
  • • （1）导入库
    • （2）查看DeepFace中的情况
    • （3）两张图片进行验证是否为同一个人
    • （4）对人的特征进行检测
    • （5）人脸的识别
    • （6）流媒体和实时人脸检测
    • （7）读取.pkl文件
    • （8）提取特征向量

1.Opencv人脸检测 （1）基于级联分类器的人脸检测：

https://mydreamambitious.blog.csdn.net/article/details/124851743

（2）训练自己的级联分类器：

https://mydreamambitious.blog.csdn.net/article/details/124955149

（3）基于dlib人脸检测

https://mydreamambitious.blog.csdn.net/article/details/123535760

---

2.MTCNN人脸检测

https://mydreamambitious.blog.csdn.net/article/details/125249753

---

3.DeepFace人脸检测

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

基于deepFace框架的人脸识别编程
deepFace是轻量级人脸识别和面部属性分析（年龄、性别、情感、种族）框架。
集成了人脸识别领域取得过历史最好成绩的几个有名的模型，包括：
VGG-Face、Google FaceNet、OpenFace、Facebook DeepFace、DeepID、ArcFace、Dlib

---

4.DeepFace中模型性能的比较

一般情况下，根据LFW数据集上的实验结果，FaceNet, VGG-Face, ArcFace 和 Dlib 总体性能优于： OpenFace, DeepFace 和 DeepID。
FaceNet (/w 512d) ：99.65%
ArcFace ： 99.40%
Dlib ： 99.38%
VGG-Face ： 98.78%
OpenFace ： 93.80%
人类水平： 97.53%

---

5.实现过程 （1）导入库

import os
import cv2
import pickle
import numpy as np
from deepface import DeepFace

（2）查看DeepFace中的情况

#查看DeepFace包含的特征点
def Print_DeepFace():
    print(dir(DeepFace))

（3）两张图片进行验证是否为同一个人

模型可以使用：Facenet, OpenFace, DeepFace, DeepID,Dlib, ArcFace or Ensemble，VGG-Face；其中VGG-Face是默认设置模型

#验证两个人是否为同一个人
def VerifyPerson(img_path1='images/zhang.jpg',img_path2='images/wang.jpg'):
    img1=cv2.imread(img_path1)
    img2=cv2.imread(img_path2)

    #验证是否相似
    # 可以使用的模型
    #model_name (string): VGG-Face,
    # Facenet, OpenFace, DeepFace, DeepID,Dlib, ArcFace or Ensemble
    compare=DeepFace.verify(img1_path=img1,img2_path=img2,model_name='VGG-Face')
    print(compare)
    print('是否相似: {}'.format(compare['verified']))

    img1=cv2.resize(src=img1,dsize=(450,450))
    img2=cv2.resize(src=img2,dsize=(450,450))
    cv2.imshow('img1',img1)
    cv2.imshow('img2',img2)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

（4）对人的特征进行检测

其中包括人的表情，年龄，性别，种族等。

#对人的特征进行检测
def FaceEmotion(img_path='images/li.png'):
    img = cv2.imread(img_path)

    #检测人脸的表情
    emotion = DeepFace.analyze(img_path=img_path, actions = ['emotion', 'age', 'gender', 'race'])
    for item in emotion.items():
        print(item)
    print(emotion['emotion'])
    img = cv2.resize(src=img, dsize=(450, 450))

    x0=emotion['region']['x']
    y0=emotion['region']['y']
    w=emotion['region']['w']
    h=emotion['region']['h']
    cv2.rectangle(img=img,pt1=(x0,y0),pt2=(x0+w,y0+h),color=(0,255,0),thickness=2)

    cv2.imshow('img', img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

（5）人脸的识别

img_path:是需要查找的人脸图片；
model_name:模型名称；
db_path：图片库的位置；
distance_metric：检测使用的方法：如余弦相似度，欧式距离；
model：在每次调用find函数时都会建立人脸识别模型。您可以通过预先构建的模型来加速功能：model = DeepFace.build_model('VGG-Face')，这里的模型名称必须和model_name相同；
enforce_detection：如果无法检测到人脸，该函数将引发异常。如果不想获得异常，请将此设置为True。这对于低分辨率图像可能很方便。
detector_backend：retinaface, mtcnn, opencv, ssd or dlib；
prog_bar：是否设置进度条；

#从图片文件夹下查找指定的人脸图片
def FindFace(img_path='images/zhang.jpg'):
   
    model=DeepFace.build_model('VGG-Face')
    findResult=DeepFace.find(img_path=img_path,model_name='Facenet',db_path='images',model=model)
    print(findResult)

之后会产生一个.pkl文件，这个文件在自己设置的图片库位置：db_path：图片库的位置

（6）流媒体和实时人脸检测

dp_path:人脸库的路径，使用相同的.jpg文件；
time_threshold:表示多长时间时间显示图片；
frame_threshold:聚焦人脸需要多少帧；
detector_backend：后端采用的检测方式，默认是opencv，还有其他：mtcnn,ssd,dlib, retinaface；
distance_metric:检测使用的方法：如余弦相似度，欧式距离；
enable_facial_analysis：人脸分析，默认为True；如果为false的话，仅仅对人脸进行识别；
source：设置为0，表示默认打开摄像头进行检测，或者使用视频的路径；

#流媒体和实时人脸检测
def DeepFaceStream():
    DeepFace.stream(db_path='images',model_name='VGG-Face',time_threshold=1,frame_threshold=2)

（7）读取.pkl文件

#读取.pkl文件
def readPKL(PKL_Name='images/representations_facenet.pkl'):
    fp=open(PKL_Name,'rb')
    content=pickle.load(fp)
    print(content)

（8）提取特征向量

#提取特征向量
def Feature(img_path='images/zhang.jpg'):
    model=DeepFace.build_model('Facenet')
    features=DeepFace.represent(img_path=img_path,model_name='Facenet',model=model)
    print(features)

if __name__ == '__main__':
    print('PyCharm')
    # Print_DeepFace()
    # VerifyPerson()
    # FaceEmotion()
    # DeepFaceStream()
    # FindFace()
    # readPKL()
    Feature()