☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
Python可以从图像或视频中检测和识别你的脸。
人脸检测与识别是计算机视觉领域的研究热点之一。
人脸识别的应用包括人脸解锁、安全防护等，医生和医务人员利用人脸识别来获取病历和病史，更好地诊断疾病。
关于Python人脸识别
在这个python项目中，我们将构建一个机器学习模型，该模型从图像中识别人。我们在项目中使用了人脸识别API和OpenCV。
随时了解最新的技术趋势
加入DataFlair的电报！
工具与图书馆
- Python-3.x
- CV2-4.5.2
- 矮胖-1.20.3
- 人脸识别-1.3.0
若要安装上述软件包，请使用以下命令。
pip install numpy opencv-python
要安装FaceRecognition，首先安装dlib包。
pip install dlib
现在，使用以下命令安装面部识别模块
pip install face_recognition
下载人脸识别Python代码
请下载python面部识别项目的源代码： 人脸识别工程代码
项目数据集
我们可以使用我们自己的数据集来完成这个人脸识别项目。对于这个项目，让我们以受欢迎的美国网络系列“老友记”为数据集。该数据集包含在面部识别项目代码中，您在上一节中下载了该代码。
建立人脸识别模型的步骤
在继续之前，让我们知道什么是人脸识别和检测。
人脸识别是从照片和视频帧中识别或验证一个人的脸的过程。
人脸检测是指在图像中定位和提取人脸(位置和大小)以供人脸检测算法使用的过程。
人脸识别方法用于定位图像中唯一指定的特征。在大多数情况下，面部图片已经被移除、裁剪、缩放和转换为灰度。人脸识别包括三个步骤：人脸检测、特征提取、人脸识别。
OpenCV是一个用C++编写的开源库.它包含了用于计算机视觉任务的各种算法和深度神经网络的实现。
1.准备数据集
创建2个目录，训练和测试。从互联网上为每个演员选择一个图片，并下载到我们的“火车”目录中。确保您所选择的图像能够很好地显示人脸的特征，以便对分类器进行分类。
为了测试模型，让我们拍摄一张包含所有强制转换的图片，并将其放到我们的“test”目录中。
为了您的舒适，我们增加了培训和测试数据与项目代码。
安装IJOB系统序列号：ka163-ka169-51tom-54tom-card163-1186 此版本只有个人管理的80%左右的代码！ 对个人求职管理的部分文件的代码进行了删除，以便和正版用户区别，不支持发信测试！ 对数据库也进行了部分企业管理表的删除，以免有人续写程序！ 正版用户包括整个IJOB文件包，大约3M左右！并付送两套本人制作的商业系统 （[企业产品展示系统]、[企业产品展示+购物系统
2.模型的训练
首先导入必要的模块。
import face_recognition as fr
import cv2
import numpy as np
import os
人脸识别库包含帮助人脸识别过程的各种实用程序的实现。
现在，创建2个列表来存储图像(人员)的名称及其各自的脸编码。
path = "./train/"
known_names = []
known_name_encodings = []
images = os.listdir(path)
人脸编码是一种值的矢量，它代表着脸部特征之间的重要度量，如眼睛之间的距离、额头的宽度等。
我们循环遍历火车目录中的每个图像，提取图像中的人的姓名，计算其脸编码向量，并将信息存储在相应的列表中。
for _ in images:
image = fr.load_image_file(path + _)
image_path = path + _
encoding = fr.face_encodings(image)[0]
known_name_encodings.append(encoding)
known_names.append(os.path.splitext(os.path.basename(image_path))[0].capitalize())
3.在测试数据集中测试模型
如前所述，我们的测试数据集只包含一个包含所有人员的图像。
使用CV2 imread()方法读取测试映像。
test_image = "./test/test.jpg"
image = cv2.imread(test_image)
人脸识别库提供了一种名为Face_Locations()的有用方法，它定位图像中检测到的每个人脸的坐标(左、下、右、上)。使用这些位置值，我们可以很容易地找到脸编码。
face_locations = fr.face_locations(image)
face_encodings = fr.face_encodings(image, face_locations)
我们循环遍历每个面部位置及其在图像中的编码。然后，我们将这种编码与“列车”数据集中的人脸编码进行比较。
然后计算人脸距离，即计算测试图像编码和训练图像编码之间的相似性。现在，我们从它选取最小值距离，表示测试图像的这张脸是训练数据集中的人之一。
现在，使用CV2模块中的方法绘制一个带有面部位置坐标的矩形。
for (top, right, bottom, left), face_encoding in zip(face_locations, face_encodings):
matches = fr.compare_faces(known_name_encodings, face_encoding)
name = ""
face_distances = fr.face_distance(known_name_encodings, face_encoding)
best_match = np.argmin(face_distances)
if matches[best_match]:
name = known_names[best_match]
cv2.rectangle(image, (left, top), (right, bottom), (0, 0, 255), 2)
cv2.rectangle(image, (left, bottom - 15), (right, bottom), (0, 0, 255), cv2.FILLED)
font = cv2.FONT_HERSHEY_DUPLEX
cv2.putText(image, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)
使用CV2模块的imShow()方法显示图像。
cv2.imshow("Result", image)
使用imwrite()方法将图像保存到当前工作目录中。
cv2.imwrite("./output.jpg", image)
释放未被释放的资源(如果有的话)。
cv2.waitKey(0)
cv2.destroyAllWindows()
Python人脸识别输出
让我们看看模型的输出。
