本文实例为大家分享了python dlib人脸识别的具体代码,供大家参考,具体内容如下
进口matplotlib。pyplot作为plt
进口dlib
进口numpy np
进口一滴
进口再保险
#正脸检测器
探测器=dlib.get_frontal_face_detector ()
#脸部关键形态检测器
sp=dlib.shape_predictor (r D: \磅\ JAVASCRIPT \ shape_predictor_68_face_landmarks.dat”)
#人脸识别模型
facerec=dlib.face_recognition_model_v1 (r D: \磅\ JAVASCRIPT \ dlib_face_recognition_resnet_model_v1.dat”)
#候选人脸部描述向量集
描述符=[]
photo_locations=[]
照片在glob.glob (r会:\磅\ JAVASCRIPT \面临\ * . jpg”):
photo_locations.append(图)
img=plt.imread(图)
img=np.array (img)
#开始检测人的脸
依据=检测器(img, 1)
k d在列举(依据):
#检测每张照片中人脸的特征
形状=sp (img d)
face_descriptor=facerec.compute_face_descriptor (img、形状)
v=np.array (face_descriptor)
descriptors.append (v)
#输入的待识别的人脸处理方法相同
img=plt.imread (r想:\ test_photo10.jpg”)
img=np.array (img)
依据=检测器(img, 1)
#计算输入人脸和已有人脸之间的差异程度(比如用欧式距离来衡量)
差异=[]
k d在列举(依据):
形状=sp (img d)
face_descriptor=facerec.compute_face_descriptor (img、形状)
d_test=np.array (face_descriptor)
#计算输入人脸和所有已有人脸描述向量的欧氏距离
因为我在描述符:
距离=np.linalg.norm (i-d_test)
differences.append(距离)
#按欧式距离排序欧式距离最小的就是匹配的人的脸
candidate_count=len (photo_locations)
candidates_dict=dict (zip (photo_locations差异))
candidates_dict_sorted=排序(candidates_dict.items(),关键=λx: x [1])
# matplotlib要正确显示中文需要设置
plt.rcParams['字体。家庭')=(无衬线的)
plt.rcParams['字体。无衬线']=[' SimHei ')
plt.rcParams['图。figsize ']=(20.0, 70.0)
ax=plt.subplot (candidate_count + 1 4 1)
ax.set_title(“输入的人脸”)
ax.imshow (img)
对于我,(照片、距离)列举(candidates_dict_sorted):
img=plt.imread(图)
face_name=" "
photo_name=re.search (r”([^ \ \] *) \ . jpg”美元,图)
如果photo_name:
face_name=photo_name [1]
ax=plt.subplot (candidate_count + 1 4 + 2)
ax.set_xticks ([])
ax.set_yticks ([])
ax.spines['高级'].set_visible(假)
ax.spines['正确'].set_visible(假)
ax.spines(“底部”).set_visible(假)
ax.spines['左'].set_visible(假)
如果我==0:
ax.set_title(“最匹配的人脸\ n \ n”+ face_name +“\ n \ n差异度:“+ str(距离))
其他:
ax.set_title (face_name +“\ n \ n差异度:“+ str(距离))
ax.imshow (img)
plt.show ()
之前
以上所述是小编给大家介绍的python dlib人脸识别详解整合,希望对大家有所帮助,如果大家有任何疑问请给我留的言,小编会及时回复大家的。在此也非常感谢大家对网站的支持。
