Python中提取人臉特征的三種方法詳解

第Python中提取人臉特征的三種方法詳解目錄1.直接使用dlib2.使用深度學習方法查找人臉，dlib提取特征3.使用insightface提取人臉特征安裝InsightFace提取特征

1.直接使用dlib

安裝dlib方法：

Win10安裝dlibGPU過程詳解

思路：

1、使用dlib.get_frontal_face_detector()方法檢測人臉的位置。

2、使用dlib.shape_predictor()方法得到人臉的關鍵點。

3、使用dlib.face_recognition_model_v1()方法提取特征。

新建face_embedding1.py，插入代碼：

importdlib,numpy

importcv2

#人臉關鍵點檢測器

predictor_path="shape_predictor_68_face_landmarks.dat"

#人臉識別模型、提取特征值

face_rec_model_path="dlib_face_recognition_resnet_model_v1.dat"

predictor_path是戀人關鍵點檢測器模型的路徑。

face_rec_model_path是提取人臉特征的路徑。

#加載模型

detector=dlib.get_frontal_face_detector()#人臉檢測

sp=dlib.shape_predictor(predictor_path)#關鍵點檢測

facerec=dlib.face_recognition_model_v1(face_rec_model_path)#編碼

分別初始化人臉檢測、關鍵點檢測、特征編碼方法。

image_path='train_images/11.jpg'

image=cv2.imread(image_path)

image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)

#人臉檢測

dets=detector(image,1)

iflen(dets)==1:

print('檢測到人臉')

shape=sp(image,dets[0])#關鍵點

#提取特征

face_descriptor=pute_face_descriptor(image,shape)#獲取到128位的編碼

v=numpy.array(face_descriptor)

print(v)

讀取圖片。然后將圖片轉為RGB格式。

檢測人臉。

獲取人臉的68個關鍵點。

獲取128位人臉編碼。

使用感受：使用dlib.get_frontal_face_detector()檢測人臉效果一般，模糊的人臉檢測不出來。速度上也是比較慢。

2.使用深度學習方法查找人臉，dlib提取特征

思路：

這種方法使用cv2自帶的dnn.readNetFromCaffe方法，加載深度學習模型實現(xiàn)人臉的檢測。然后繼續(xù)使用dlib提取人臉特征。

新建face_embedding2.py，插入代碼：

importdlib,numpy

importcv2

#人臉關鍵點檢測器

predictor_path="shape_predictor_68_face_landmarks.dat"

#人臉識別模型、提取特征值

face_rec_model_path="dlib_face_recognition_resnet_model_v1.dat"

prototxt_path='to.txt'

model_path='res10_300x300_ssd_iter_140000_fp16.caffemodel'

導入需要的包。

定義模型的路徑。

net=cv2.dnn.readNetFromCaffe(prototxt_path,model_path)

sp=dlib.shape_predictor(predictor_path)#關鍵點檢測

facerec=dlib.face_recognition_model_v1(face_rec_model_path)#編碼

初始化人臉檢測模型、關鍵點檢測模型、人臉特征提取模型。

image_path='train_images/11.jpg'

image=cv2.imread(image_path)

image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)

(h,w)=image.shape[:2]

blob=cv2.dnn.blobFromImage(cv2.resize(image,(300,300)),1.0,

(300,300),(104.0,177.0,123.0))

net.setInput(blob)

detections=net.forward()

startX,startY,endX,endY=0,0,0,0

foriinrange(0,detections.shape[2]):

#extracttheconfidence(i.e.,probability)associatedwiththe

#prediction

confidence=detections[0,0,i,2]

#filteroutweakdetectionsbyensuringthe`confidence`is

#greaterthantheminimumconfidence

ifconfidence0.5:

#computethe(x,y)-coordinatesoftheboundingboxforthe

#object

box=detections[0,0,i,3:7]*numpy.array([w,h,w,h])

(startX,startY,endX,endY)=box.astype("int")

break

rect=dlib.rectangle(startX,startY,endX,endY)

這部分的代碼主要是人臉檢測邏輯。

讀取圖片，并將其改為RGB格式。

獲取圖片的大小。

初始化blob。

net.forward()計算人臉的位置。

遍歷檢測結果

如果置信度大于0.5，則認為是合格的人臉。計算出人臉的坐標。

將坐標轉為dlib.rectangle對象。

shape=sp(image,rect)

print(shape)

#提取特征

face_descriptor=pute_face_descriptor(image,shape)#獲取到128位的編碼

v=numpy.array(face_descriptor)

print(v)

計算人臉的關鍵點。

提取人臉的特征。

使用感受：使用深度學習模型提取人臉特征，無論速度還是準確率都有很大的提高，即使很模糊的圖像依然能檢測到。

3.使用insightface提取人臉特征

InsightFace是一個開源的2D3D深度人臉分析工具箱，其中高效地實現(xiàn)了豐富多樣的人臉識別、人臉檢測和人臉對齊算法，并且針對訓練和部署進行了優(yōu)化，在多項算法測評、比賽獲得優(yōu)勝。

安裝InsightFace

pipinstallinsightface

pipinstallonnxruntime-gpu==1.9.0

注意：onnxruntime安裝1.9以下的版本。

提取特征

新建face_embedding3.py插入代碼：

importinsightface

importcv2

model=insightface.app.FaceAnalysis()

model.prepare(ctx_id=0,det_thresh=0.45)

face_img=cv2.imread('train_images/11.jpg')

res=model.get(face_img)

print('embedding:',res[0].embedding)

初始化FaceAnalys