python dlib人脸识别代码实例

Python Dlib 是一个用于人脸识别的Python库，具有高效、精确的特点，本篇攻略将详细讲解如何使用Python Dlib进行人脸识别，并给出两个示例说明。

环境准备

在进行Python Dlib人脸识别前，需要进行以下准备：

• Python环境，建议使用Python 3.6以上版本；
• 安装Dlib库，可以使用pip进行安装：pip install dlib；
• 下载Dlib预训练模型，可以从dlib官网下载，包括68点面部特征点检测器和人脸识别器。

步骤分解

步骤1：导入依赖库和模型

import dlib
import cv2

detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')
facerec = dlib.face_recognition_model_v1('dlib_face_recognition_resnet_model_v1.dat')

在这个步骤中，我们导入所需库和模型。

步骤2：提取人脸特征

img = cv2.imread('test.png') # 读取图像
dets = detector(img, 1)      # 使用检测器检测人脸

# 遍历所有检测到的人脸
for i, d in enumerate(dets):
    shape = predictor(img, d)   # 获取68个面部特征点
    face_descriptor = facerec.compute_face_descriptor(img, shape)   # 提取人脸特征，128维向量
    print(face_descriptor)

在这个步骤中，我们读取一张图片，并使用dlib的人脸检测器检测图片中的所有人脸，并在循环中提取每个人脸的128维人脸特征向量。

步骤3：比较人脸相似度

img1 = cv2.imread('test1.png')
img2 = cv2.imread('test2.png')

face_descriptors1 = []
face_descriptors2 = []

dets = detector(img1, 1)
for i, d in enumerate(dets):
    shape = predictor(img1, d) 
    face_descriptors1.append(facerec.compute_face_descriptor(img1, shape))

dets = detector(img2, 1)
for i, d in enumerate(dets):
    shape = predictor(img2, d)
    face_descriptors2.append(facerec.compute_face_descriptor(img2, shape))

for i, face_descriptor1 in enumerate(face_descriptors1):
    for j, face_descriptor2 in enumerate(face_descriptors2):
        dist = np.linalg.norm(face_descriptor1 - face_descriptor2) # 计算欧氏距离
        print('Face {} and Face {} are {} similar'.format(i+1, j+1, dist))

在这个步骤中，我们读取两张图片，并提取每张图像中所有人脸的128维人脸特征向量，然后通过计算欧氏距离来判断人脸的相似度。

示例说明

示例1：提取人脸特征

假设我们有一张图片，里面包含两个人的头像，需要提取这两个人的人脸特征向量，代码如下：

import dlib
import cv2

detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')
facerec = dlib.face_recognition_model_v1('dlib_face_recognition_resnet_model_v1.dat')

img = cv2.imread('test.png') # 读取图像
dets = detector(img, 1)      # 使用检测器检测人脸

# 遍历所有检测到的人脸
for i, d in enumerate(dets):
    shape = predictor(img, d)   # 获取68个面部特征点
    face_descriptor = facerec.compute_face_descriptor(img, shape)   # 提取人脸特征，128维向量
    print(face_descriptor)

这段代码中我们读取了一张图片，使用dlib的人脸检测器检测图片中的所有人脸，并在循环中提取每个人脸的128维人脸特征向量。

示例2：比较人脸相似度

假设我们有两张图片，分别代表两个不同的人，我们需要判断这两个人的相似程度，代码如下：

import dlib
import cv2
import numpy as np

detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')
facerec = dlib.face_recognition_model_v1('dlib_face_recognition_resnet_model_v1.dat')

img1 = cv2.imread('test1.png')
img2 = cv2.imread('test2.png')

face_descriptors1 = []
face_descriptors2 = []

dets = detector(img1, 1)
for i, d in enumerate(dets):
    shape = predictor(img1, d) 
    face_descriptors1.append(facerec.compute_face_descriptor(img1, shape))

dets = detector(img2, 1)
for i, d in enumerate(dets):
    shape = predictor(img2, d)
    face_descriptors2.append(facerec.compute_face_descriptor(img2, shape))

for i, face_descriptor1 in enumerate(face_descriptors1):
    for j, face_descriptor2 in enumerate(face_descriptors2):
        dist = np.linalg.norm(face_descriptor1 - face_descriptor2) # 计算欧氏距离
        print('Face {} and Face {} are {} similar'.format(i+1, j+1, dist))

这段代码中我们读取了两张图片，并提取每张图像中所有人脸的128维人脸特征向量，然后通过计算欧氏距离来判断人脸的相似度。