介绍
人脸识别不同于人脸检测。在人脸检测中，我们只检测了人脸的位置，在人脸识别任务中，我们识别了人的身份。
在本文中，我们将在人脸识别库的帮助下，使用python构建一个人脸识别系统。
市场上有许多用于人脸识别的算法。这一计算机视觉挑战是从视频和图片中检测人脸。许多应用程序可以构建在识别系统之上。许多大公司出于安全和身份验证的目的而采用识别系统。
识别系统用例
人脸识别系统在现代得到广泛应用，许多新的创新系统都建立在识别系统之上。
有几个用例：
寻找失踪者识别社交媒体上的帐户识别汽车中的驾驶员考勤系统
多种实现面部识别的算法取决于其性能和准确性。
传统人脸识别算法
传统的人脸识别算法不符合现代人脸识别标准。它们旨在使用旧的传统算法识别面部。
OpenCV 提供了一些传统的面部识别算法。
这些方法在提取图像信息和匹配输入和输出图像的方式上有所不同。
LBPH 算法是一种简单但非常有效的方法，仍在使用中，但与现代算法相比速度较慢。
人脸识别深度学习
有多种基于深度学习的面部识别算法可供使用。
DeepFaceDeepID series of systemsFaceNetVGGFace
一般来说，基于地标的人脸识别器对人脸图像进行拍摄，并试图找到眉毛、嘴角、眼睛、鼻子、嘴唇等基本特征点。有60多个地标。
人脸识别涉及的步骤
1.人脸检测：定位人脸，记下每个人脸定位的坐标，并在每个人脸周围绘制一个边界框。
2.面部对齐。标准化人脸以获得快速训练。
3.特征提取。从面部图片中提取局部特征进行训练，这一步由不同的算法执行不同的操作。
4.人脸识别。将输入人脸与我们数据集中的一个或多个已知人脸进行匹配。
本文重点介绍使用库 face＿recognition 实现人脸识别，该库基于深度学习技术，并承诺使用单个训练图像的准确率超过 96％。
执行
使用python实现人脸识别系统。使用 face＿recognition 库实现基于深度学习的人脸识别系统。
1． 设置人脸识别库：
为了安装人脸识别库，我们需要先安装dlib
· dlib：它是一个现代 C＋＋ 工具包，包含与机器学习相关的算法和工具。
＃ installing dlib
pip install dlib
· 安装实际的人脸识别库face recognition。
＃ installing face recognition
pip install face recognition
· Opencv用于一些图像预处理
＃ installing opencv
pip install opencv
Note： Sometimes installing dlib throws error in that case install install the C＋＋ development toolkit using vs＿code community ．
导入库
import cv2
import numpy as np
import face＿recognition
2． 加载图片：
我们完成了库的安装和导入。是时候将一些示例图像加载到face＿recognition库中了。
该face＿recognition库仅支持 BGR 格式的图像。在打印输出图像时，我们应该使用 OpenCV 将其转换为 RGB。
Face＿recognition仅加载 BGR 格式的图像。
import cv2
import numpy as np
import face＿recognition
img＿bgr ＝ face＿recognition．load＿image＿file（＇student＿images／modi．jpg＇）
img＿rgb ＝ cv2．cvtColor（img＿bgr，cv2．COLOR＿BGR2RGB）
cv2．imshow（＇bgr＇， img＿bgr）
cv2．imshow（＇rgb＇， img＿rgb）
cv2．waitKey
输出→ BGR 与 RGB
3．检测和定位人脸：
face＿recognition库可以自行快速定位人脸，我们不需要使用haar＿cascade或其他技术。
img＿modi＝face＿recognition．load＿image＿file（＇student＿images／modi．jpg＇）
img＿modi＿rgb ＝ cv2．cvtColor（img＿modi，cv2．COLOR＿BGR2RGB）
＃－－－－－－－－－ Detecting Face －－－－－－－
face ＝ face＿recognition．face＿locations（img＿modi＿rgb）［0］
copy ＝ img＿modi＿rgb．copy（）
＃ －－－－－－ Drawing bounding boxes around Faces－－－－－－－－－－－－－－－－－－－－－－－－
cv2．rectangle（copy， （face［3］， face［0］），（face［1］， face［2］）， （255，0，255）， 2）
cv2．imshow（＇copy＇， copy）
cv2．imshow（＇MODI＇，img＿modi＿rgb）
cv2．waitKey（0）
4． 样本图像识别：
该face＿recognition库基于深度学习，它支持单次学习，这意味着它需要一张图片来训练自己检测一个人。
img＿modi ＝ face＿recognition．load＿image＿file（＇student＿images／modi．jpg＇）
img＿modi ＝ cv2．cvtColor（img＿modi，cv2．COLOR＿BGR2RGB）
＃－－－－－－to find the face location
face ＝ face＿recognition．face＿locations（img＿modi）［0］
＃－－Converting image into encodings
train＿encode ＝ face＿recognition．face＿encodings（img＿modi）［0］
＃－－－－－ lets test an image
test ＝ face＿recognition．load＿image＿file（＇student＿images／modi2．jpg＇）
test ＝ cv2．cvtColor（test， cv2．COLOR＿BGR2RGB）
test＿encode ＝ face＿recognition．face＿encodings（test）［0］
print（face＿recognition．compare＿faces（［train＿encode］，test＿encode））
cv2．rectangle（img＿modi， （face［3］， face［0］），（face［1］， face［2］）， （255，0，255）， 1）
cv2．imshow（＇img＿modi＇， img＿modi）
cv2．waitKey（0）
上面的代码拍了两张总理的照片，因为两张照片都是同一个人，所以它返回了true。
face＿recognition．face＿encodings（imgelon）［0］→返回传递图像的编码。
face＿recognition．compare＿faces（［train＿encode］，test＿encode） 获取经过训练的编码列表和未知图像的测试编码。如果两个测试编码在训练编码中匹配，则返回True ；否则，它会返回False．
了解人脸识别的工作原理
1.我们将人的照片和他们的名字传递给模型。
2.该模型拍摄每张照片，将它们转换为某种数字编码，并将它们存储在一个列表中，并将所有标签（人名）存储在另一个列表中。
3.在预测阶段，当我们传递未知人的图片时，识别模型会将该人的图像转换为编码。
4.在将未知人的图像转换为编码后，它会尝试根据距离参数找到最相似的编码。与未知人的编码距离最小的编码将是最接近的匹配。
5.在获得最接近的匹配编码后，我们从该列表中获取该编码的索引并使用索引。我们找到检测到的人的名字。
识别系统的挑战
这些都是识别系统面临的重大挑战，需要解决。
· 姿势：识别系统容易受到人体姿势的影响。面部识别系统将无法预测该人的面部是否不可见。
· 照明：照明会极大地改变面部轮廓。用于人脸识别的照片应在适当的照明条件下拍摄。
· 面部表情：不同的面部表情会导致对同一个人的图像的不同预测。
· 低分辨率：低分辨率图片包含的信息较少，因此不适合人脸识别训练。
结论
本文讨论了如何使用 python 和单次图像训练技术实现人脸识别系统。你可以进一步使用像 python Tkinter 这样的 GUI 来设计基于 GUI 的考勤系统。我们看到了影响识别系统的各种挑战以及如何解决这些挑战。
原文标题 : 使用Python的人脸识别系统
