來源 | GitHub Trending

整理 | Freesia

譯者 | TommyZihao

出品 | AI科技大本營（ID: rgznai100）

【導讀】近日，一個名為 face_recognition 的人臉識別專案登上了 GitHub Trending 趨勢榜，賺足了眼球。自開源至截稿，此專案在 Github 上的 Star 數已達 26500，Fork 數也達到了 7117。本文主要介紹了該專案的使用說明和使用方法，便於國內的開發者們進行研究學習。

face_recognition 宣稱是史上最強大，最簡單的人臉識別專案。據悉，該專案由軟體工程開發師和諮詢師 Adam Geitgey 開發，其強大之處在於不僅基於業內領先的 C++ 開源庫 dlib 中的深度學習模型，採用的人臉資料集也是由美國麻省大學安姆斯特分校製作的 Labeled Faces in the Wild，它含有從網路收集的 13,000 多張面部影像，準確率高達 99.38%。此外，專案還配備了完整的開發文件和應用案例，特別是相容樹莓派系統。簡單之處在於操作者可以直接使用 Python和命令列工具提取、識別、操作人臉。

目前，該專案的說明已有中文翻譯版，本文已獲得譯者授權（GitHub ID：TommyZihao），引用譯文對本專案進行簡單介紹。

照例先奉上 GitHub 專案連結：

特性

1. 找到並定點陣圖片中的所有人臉：

import face_recognition


image = face_recognition.load_image_file("your_file.jpg")


face_locations = face_recognition.face_locations(image)

2.識別人臉關鍵點（包括眼睛、鼻子、嘴和下巴）

import face_recognition


image = face_recognition.load_image_file("your_file.jpg")


face_landmarks_list = face_recognition.face_landmarks(image)

本人臉識別專案除了在某些關鍵領域有重要作用外，還有一個可能會引起 “玩心” 的 digital make-up 自動化妝功能（類似美圖秀秀）。

3.識別圖片中的人是誰

import face_recognition


known_image = face_recognition.load_image_file("biden.jpg")


unknown_image = face_recognition.load_image_file("unknown.jpg")


biden_encoding = face_recognition.face_encodings(known_image)[0]


results = face_recognition.compare_faces([biden_encoding], unknown_encoding)

4.配合其它的Python庫（比如opencv），該專案還可實現實時人臉檢測：詳細案例見：

n/blob/master/examples/facerec_from_webcam_faster.py

安裝

環境配置：

• Python 3.3+ or Python 2.7macOS or LinuxWindows（官方並不支援，但一些大神們摸索出了在Windows上執行的方法）

不同作業系統的安裝方法：

1. 在 Mac 或者 Linux上安裝本專案：

方法一：

首先安裝dlib和相關Python依賴：

然後透過 pip3 或者是 Python 2 的 pip2 用以下程式碼安裝

pip3 install face_recognition

若未能安裝成功，可以用Ubuntu虛擬機器安裝，參見這一教程：

（需要電腦中安裝VMWare Player 或者 VirtualBox）

方法二：

修改你的 pip 映象源為清華映象，然後使用 pip install face_recognition,可以自動幫你安裝各種依賴，包括dlib。只是在安裝dlib的時候可能會出問題，因為dlib需要編譯，出現的問題一般是gcc或者g++版本的問題，所以在pip install face_recognition之前，可以透過在命令列鍵入

export CC=/usr/local/bin/gcc


export CXX=/usr/local/bin/g++

來指定你gcc和g++對應的位置，（這兩句話會臨時修改當前終端的環境變數/usr/local/bin/gcc對應你自己gcc或者g++所在目錄）。

2. 在樹莓派上安裝：

樹莓派安裝指南：

3. 在Windows上安裝：雖然本專案官方並不支援Windows，但一些大神們摸索出了在Windows上執行本專案的方法：@masoudr寫的如何在Win10系統上安裝 dlib庫和 face_recognition專案的教程：

n/issues/175#issue-257710508

使用Ubuntu虛擬機器映象檔案安裝配置虛擬機器，本專案已經包含在這個映象中

使用方法

1.使用命令列工具

本專案安裝完畢後，有兩種命令列工具可供使用：

• face_recognition - 在單張圖片或一個圖片資料夾中識別人臉身份。face_detection - 在單張圖片或一個圖片資料夾中定位人臉位置。

face_recognition 命令列工具：

face_recognition命令列工具可以在單張圖片或一個圖片資料夾中識別人臉身份。首先，需要一個你已經知道名字的人臉圖片資料夾，一個人一張圖，圖片的檔名即為對應的人的名字，然後，需要第二個圖片資料夾，資料夾裡面是你希望識別的圖片：

然後，在命令列中切換到這兩個資料夾所在路徑，使用 face_recognition 命令列，傳入這兩個圖片資料夾，然後就會輸出未知圖片中人的名字：

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/


/unknown_pictures/unknown.jpg,Barack Obama


/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person

輸出結果的每一行對應著圖片中的一張臉，圖片名字和對應人臉識別結果用逗號分開。

如果結果輸出了unknown_person，那麼代表這張臉沒有對應上已知人臉圖片資料夾中的任何一個人。

face_detection 命令列工具

face_detection命令列工具可以在單張圖片或一個圖片資料夾中定位人臉位置（輸出畫素點座標）。在命令列中使用face_detection，傳入一個圖片資料夾或單張圖片檔案來進行人臉位置檢測：

$ face_detection ./folder_with_pictures/


examples/image1.jpg,65,215,169,112


examples/image2.jpg,62,394,211,244


examples/image2.jpg,95,941,244,792

輸出結果的每一行都對應圖片中的一張臉，輸出座標代表著這張臉的上、右、下、左畫素點座標。

調整人臉識別的容錯率和敏感度

如果一張臉識別出不止一個結果，那麼這意味著他和其他人長的太像了（此外，本專案對於小孩和亞洲人的人臉識別準確率有待提升）。你可以把容錯率調低一些，使識別結果更加嚴格。這個功能可透過傳入引數 --tolerance 來實現，預設的容錯率是0.6，容錯率越低，識別越嚴格準確。

$ face_recognition --tolerance 0.54 ./pictures_of_people_i_know/ ./unknown_pictures/


/unknown_pictures/unknown.jpg,Barack Obama


/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person

人臉匹配的具體數值可以透過傳入引數 --show-distance true 來檢視

$ face_recognition --show-distance true ./pictures_of_people_i_know/ ./unknown_pictures/


/unknown_pictures/unknown.jpg,Barack Obama,0.378542298956785


/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person,None

對識別速度不滿意怎麼辦？

如果你的CPU是多核的，你可以透過並行運算加速人臉識別。例如，如果你的CPU有四個核心，那麼你可以透過並行運算提升大概四倍的運算速度。

如果你使用Python3.4或更新的版本，可以傳入 --cpus <number_of_cpu_cores_to_use> 引數：

$ face_recognition --cpus 4 ./pictures_of_people_i_know/ ./unknown_pictures/

（你可以傳入 --cpus -1引數來呼叫cpu的所有核心。）此外，子豪兄Tommy 表示樹莓派3B有4個CPU核心，傳入多核引數可以顯著提升圖片識別的速度。

更多案例

如果你並不在乎圖片的檔名，只想知道資料夾中的圖片裡有誰，可以用這個管道命令：

$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/ | cut -d ',' -f2


Barack Obama


unknown_person

2.使用Python

在 Python 中匯入 face_recognition模組，呼叫豐富的API介面，用幾行程式碼就可以輕鬆玩轉各種人臉識別功能！API 介面文件:

如何定位人臉位置或者識別人臉身份？

在 Python 中可以分別透過以下程式碼來實現在圖片中定位人臉的位置

import face_recognition


image = face_recognition.load_image_file("my_picture.jpg")


face_locations = face_recognition.face_locations(image)


# face_locations is now an array listing the co-ordinates of each face

參考案例：

n/blob/master/examples/find_faces_in_picture.py

在圖片中識別人臉身份

import face_recognition


picture_of_me = face_recognition.load_image_file("me.jpg")


my_face_encoding = face_recognition.face_encodings(picture_of_me)[0]


# my_face_encoding now contains a universal 'encoding' of my facial features that can be compared to any other picture of a face!


unknown_picture = face_recognition.load_image_file("unknown.jpg")


unknown_face_encoding = face_recognition.face_encodings(unknown_picture)[0]


# Now we can see the two face encodings are of the same person with `compare_faces`!


results = face_recognition.compare_faces([my_face_encoding], unknown_face_encoding)


if results[0] == True:


 print("It's a picture of me!")


else:


 print("It's not a picture of

參考案例：

n/blob/master/examples/recognize_faces_in_pictures.py

對人臉識別有精準要求怎麼辦？

可以使用深度學習模型以達到更加精準的人臉定位，但要注意：這種方法需要GPU加速（透過英偉達顯示卡的CUDA庫驅動），在編譯安裝dlib的時候也需要開啟CUDA支援。

import face_recognition


image = face_recognition.load_image_file("my_picture.jpg")


face_locations = face_recognition.face_locations(image, model="cnn")


# face_locations is now an array listing the co-ordinates of each face

參考案例：

n/blob/master/examples/find_faces_in_picture_cnn.py

如果有大量圖片需要識別，同時又有GPU，那麼你可以參考這個例子：

n/blob/master/examples/find_faces_in_batches.py

如何識別單張圖片中人臉的關鍵點？

import face_recognition


image = face_recognition.load_image_file("my_picture.jpg")


face_landmarks_list = face_recognition.face_landmarks(image)


# face_landmarks_list is now an array with the locations of each facial feature in each face.


# face_landmarks_list[0]['left_eye'] would be the location and outline of the first person's left eye

參考案例：

n/blob/master/examples/find_facial_features_in_picture.py

識別奧巴馬和拜登的人臉關鍵點

更多案例：

n/tree/master/examples

人臉定位

案例：定位拜登的臉

n/blob/master/examples/find_faces_in_picture_cnn.py

案例：使用卷積神經網路深度學習模型定位拜登的臉

n/blob/master/examples/find_faces_in_picture_cnn.py

案例：使用卷積神經網路深度學習模型批次識別圖片中的人臉

n/blob/master/examples/find_faces_in_batches.py

案例：把來自網路攝像頭影片裡的人臉高斯模糊（需要安裝OpenCV）

n/blob/master/examples/blur_faces_on_webcam.py

人臉關鍵點識別

案例：提取奧巴馬和拜登的面部關鍵點

n/blob/master/examples/find_facial_features_in_picture.py

案例：給美國副總統拜登塗美妝

n/blob/master/examples/digital_makeup.py

人臉識別

案例：是奧巴馬還是拜登？

n/blob/master/examples/recognize_faces_in_pictures.py

案例：人臉識別之後在原圖上畫框框並標註姓名

n/blob/master/examples/identify_and_draw_boxes_on_faces.py

案例：在不同精度上比較兩個人臉是否屬於一個人

n/blob/master/examples/face_distance.py

案例：從攝像頭獲取影片進行人臉識別-較慢版（需要安裝OpenCV）

n/blob/master/examples/facerec_from_webcam.py

• 案例：從攝像頭獲取影片進行人臉識別-較快版（需要安裝OpenCV）

n/blob/master/examples/facerec_from_webcam_faster.py

• 案例：從影片檔案中識別人臉並把識別結果輸出為新的影片檔案（需要安裝OpenCV）

n/blob/master/examples/facerec_from_video_file.py

• 案例：透過樹莓派攝像頭進行人臉個數統計及人臉身份識別

n/blob/master/examples/facerec_on_raspberry_pi.py

• 案例：透過瀏覽器HTTP訪問網路伺服器進行人臉識別（需要安裝Flask後端開發框架）

n/blob/master/examples/web_service_example.py

• 案例：基於K最近鄰KNN分類演算法進行人臉識別

n/blob/master/examples/face_recognition_knn.py

關於 face_recognition的文章和教程

• 本專案作者寫的一篇文章 Modern Face Recognition with Deep Learning:

• 主要內容：基本演算法和原理
• Face recognition with OpenCV, Python, and deep learning by Adrian Rosebrock:

https://www.pyimagesearch.com/2018/06/18/face-recognition-with-opencv-python-and-deep-learning/

• 主要內容：如何實際使用本專案
• Raspberry Pi Face Recognition by Adrian Rosebrock

https://www.pyimagesearch.com/2018/06/25/raspberry-pi-face-recognition/

• 主要內容：如何在樹莓派上使用本專案
• Face clustering with Python by Adrian Rosebrock

https://www.pyimagesearch.com/2018/07/09/face-clustering-with-python/

• 主要內容：使用非監督學習演算法實現把圖片中的人臉高斯模糊

人臉識別的原理

如果你想更深入瞭解人臉識別這個黑箱的原理請讀這篇文章：

警告說明

本專案的人臉識別模型是基於成年人的，在孩子身上效果可能一般。如果圖片中有孩子的話，建議把臨界值設為0.6.不同人種的識別結果可能不同， 看wiki百科頁面檢視更多細節。

把本專案部署在雲伺服器上 (Heroku, AWS等)

本專案是基於C++庫dlib的，所以把本專案部署在Heroku或者AWS的雲端伺服器上是很明智的。

為了簡化這個過程，有一個Dockerfile案例，教你怎麼把face_recognition開發的app封裝成Docker 容器檔案，你可以把它部署在所以支援Docker映象檔案的雲服務上。

出了么蛾子？

如果出了問題，請在Github提交Issue之前檢視 常見錯誤 。