OpenCV 人臉識別
本教程將討論使用 OpenCV 中的 face_recognition 庫識別影象中存在的人臉。
在 OpenCV 中使用 face_recognition 庫識別影象中的人臉
人臉識別用於識別影象或視訊中存在的人臉。例如，Facebook 使用面部識別來標記帖子中的人。
如果我們在圖片中標記我們的朋友，Facebook 演算法將識別該人的姓名，並在我們下次上傳該人的照片時自動標記他。我們還可以使用 face_recognition 庫構建類似的演算法。
人臉識別庫分多個步驟工作以識別人臉。第一步，我們需要傳遞已知人的圖片來訓練模型，庫將使用 HOG 或定向梯度直方圖來查詢給定影象中存在的人臉。
在人臉識別中，我們只需要一張人臉的圖片，不需要任何其他資料，因為資料量大，會使演算法變得更慢、更復雜。
HOG 演算法將每個畫素與其相鄰畫素進行比較，以找到強度方向，並在強度級別增加的方向上用梯度標記它。
該演算法已經有一張平均人臉的梯度影象。該演算法將梯度影象與人臉的已知梯度進行比較，以確定影象的哪個部分包含人臉。
例如，讓我們使用人臉識別庫的 face_locations() 函式查詢影象中存在的人臉。請參閱下面的程式碼。
import cv2
import dlib
import face_recognition
img = cv2.imread("tom1.jpg")
known_img = face_recognition.load_image_file("tom1.jpg")
loc = face_recognition.face_locations(known_img)
cv2.rectangle(img, (loc[0][0], loc[0][3]), (loc[0][1], loc[0][2]), (255, 0, 0), 3)
print(loc)
cv2.imshow("locations", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
輸出：
正如我們在上面的輸出中看到的，在上面的影象中使用 HOG 演算法檢測到人臉。我們使用兩個函式匯入了相同的影象，因為 imread() 函式讀取 BGR 色標中的影象，而 load_image_file() 函式讀取 RGB 顏色空間中的影象。
人臉識別庫使用 RGB 影象，而 OpenCV 使用 BGR 影象，我們在上面的程式碼中都需要。我們使用 OpenCV 的 rectangle() 函式在檢測到的面部周圍繪製一個矩形。
face_locations() 函式返回矩形的點或角位置，我們可以在 rectangle() 函式中使用它們來繪製矩形。face_locations() 函式還有兩個可選引數，number_of_times_to_upsample 和 batch_size。
計算機將影象儲存為數字陣列，因此如果人臉影象被旋轉或影象中的光照發生變化，即使是同一張臉，計算機也會將其視為另一張影象。該庫在第二步中使用人臉界標估計解決了這個問題。
在人臉界標估計中，我們使用機器學習演算法來獲得 68 個對人臉識別很重要的面部界標，例如眼睛和鼻子周圍的界標。
使用這些地標，我們可以旋轉和共享我們的影象，以建立一個完美居中的影象，眼睛和鼻子位於影象的中心。
我們不必擔心面部的方向或角度。第三步，我們必須訓練一個模型來進行預測。
我們不能簡單地將未知影象與所有已知影象進行比較來識別人，因為這需要時間。
我們可以使用每張影象的一些特徵，例如耳朵、眼睛和鼻子大小之間的距離，並將它們與未知的人臉影象進行比較，而不是使用整個人臉影象。
但是，我們不知道哪些特徵最適合識別人臉。因此，我們將使用深度卷積神經網路從每個已知影象中找到 128 個測量值或面部特徵。
為了訓練模型，我們必須提供兩張已知人的影象和一張未知人的影象，神經網路將通過比較給定的影象來找到 128 個測量值。訓練一個模型也需要很多時間，因此人臉庫使用 OpenFace 的預訓練模型來獲取所有已知人臉的 128 個測量值。
在最後一步，我們必須使用分類器來檢查未知人臉是否與任何已知人臉相似。人臉識別庫使用 SVM 或空間向量機分類器進行預測。
例如，讓我們使用 Tom Cruise 的一張影象進行訓練，另一張影象用於測試。請參閱下面的程式碼。
import cv2
import dlib
import face_recognition
known_img = face_recognition.load_image_file("tom1.jpg")
unknown_img = face_recognition.load_image_file("tom2.jpg")
known_en = face_recognition.face_encodings(known_img)[0]
unknown_en = face_recognition.face_encodings(unknown_img)[0]
result = face_recognition.compare_faces([known_en], unknown_en)
print(result)
cv2.imshow("Known Image", known_img)
cv2.imshow("Un_Known Image", unknown_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
輸出：
[True]
輸出結果為真，這意味著未知影象是湯姆克魯斯。我們在上面的程式碼中使用了人臉識別庫的 face_encodings() 函式來查詢 128 個測量值。
face_encodings() 函式的第一個引數是輸入影象。第二個引數 known_face_locations 是可選的，它用於設定每個人臉的邊界框，預設情況下，它的值設定為 none。
第三個引數 num_jitters 也是可選的，它用於設定用於查詢編碼的重取樣值，預設設定為 1。第四個引數 model 也是可選的，用於設定用於查詢編碼的模型型別，預設設定為 small。
小模型速度快但精度較低，大模型速度慢但精度更高。我們使用 compare_faces() 將未知面孔與已知面孔進行比較。
compare_faces() 函式的第一個引數包含已知人臉的編碼，第二個引數包含未知人臉的編碼。第三個引數 tolerance 是可選的，用於設定面之間的距離，預設情況下，其值設定為 0.6。
在 OpenCV 中使用 putText() 函式將文字放的影象頂部
我們還可以使用 OpenCV 的 putText() 函式在影象上放置與已知人臉相似的文字。例如，讓我們使用 Tom Cruise 影象來訓練模型，然後使用 Dwayne Johnson 的影象來測試模型。
請參閱下面的程式碼。
import cv2
import dlib
import face_recognition
img = cv2.imread("rock1.jpg")
known_img = face_recognition.load_image_file("tom2.jpg")
unknown_img = face_recognition.load_image_file("rock1.jpg")
known_en = face_recognition.face_encodings(known_img)[0]
unknown_en = face_recognition.face_encodings(unknown_img)[0]
result = face_recognition.compare_faces([known_en], unknown_en)
loc = face_recognition.face_locations(unknown_img)
cv2.rectangle(img, (loc[0][0], loc[0][3]), (loc[0][1], loc[0][2]), (255, 0, 0), 3)
if result[0]:
text = "Tom Cruise"
else:
text = "Unknown"
cv2.putText(
img,
text,
(loc[0][0], loc[0][3] - 20),
cv2.FONT_HERSHEY_SIMPLEX,
1.2,
(0, 0, 255),
2,
cv2.LINE_AA,
)
cv2.imshow("locations", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
輸出：
上面這張臉不像湯姆克魯斯的臉。我們還可以使用不同人的多張影象來訓練模型，我們還可以在視訊中找到人臉。
對於視訊，我們必須單獨處理每一幀。檢視此連結瞭解有關人臉識別庫的更多詳細資訊。
