Проект распознавания лиц на Python [за 5 простых шагов]

Идентификация объектов и распознавание лиц, вероятно, являются самыми популярными приложениями компьютерного зрения. Эта технология находит применение в различных отраслях, таких как безопасность и социальные сети. Итак, мы создаем проект распознавания лиц с помощью Python.

Обратите внимание, что вы должны быть знакомы с программированием на Python, OpenCV и NumPy. Это гарантирует, что вы не запутаетесь во время работы над этим проектом. Давайте начнем.

Мы поделились двумя методами распознавания лиц. В первом используется библиотека распознавания лиц Python, а в другом — OpenCV и NumPy. Ознакомьтесь с нашими программами по науке о данных, чтобы узнать больше.

Распознавание лиц с помощью «Распознавания лиц» Python

Вероятно, самый простой способ обнаружения лиц — это использование библиотеки распознавания лиц в Python . Он имел точность 99,38% в базе данных LFW. Использование довольно простое и не требует особых усилий. Более того, в библиотеке есть специальная команда «face_recognition» для идентификации лиц на изображениях.

Как использовать распознавание лиц

Вы можете различать лица на изображениях с помощью команды «face_locations»:

импортировать face_recognition

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

face_locations = face_recognition.face_locations(изображение)

Он также может распознавать лица и связывать их с их именами:

импортировать face_recognition

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

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

modi_encoding = face_recognition.face_encodings(известное_изображение)[0]

unknown_encoding = face_recognition.face_encodings(unknown_image)[0]

результаты = face_recognition.compare_faces([modi_encoding], unknown_encoding)

Изображение содержит «Нарендра Моди»

Есть много других вещей, которые вы можете выполнять с этой библиотекой, комбинируя ее с другими. Теперь мы обсудим выполнение распознавания лиц с помощью других известных библиотек Python, в частности OpenCV и NumPy.

Подробнее: Учебное пособие по Python NumPy: изучение Python Numpy на примерах

Проект распознавания лиц на Python

В этом проекте мы выполнили обнаружение и распознавание лиц с помощью OpenCV и NumPy. Мы использовали Raspberry Pi, но вы также можете использовать его с другими системами. Вам нужно будет только немного изменить код, чтобы использовать его на каком-либо другом устройстве (например, Mac или ПК с Windows).

Некоторая заслуга в этом проекте принадлежит Марсело Роваи .

Шаг № 1: Установите библиотеки

Во-первых, вы должны установить необходимые библиотеки, OpenCV и NumPy. Вы можете легко установить его через:

pip установить opencv-python

pip установить opencv-contrib-python

Для установки NumPy в вашей системе используйте ту же команду, что и выше, и замените «opencv-python» на «numpy»:

пип установить numpy

Шаг № 2: Обнаружение лиц

Теперь вы должны настроить камеру и подключить ее к вашей системе. Камера должна работать правильно, чтобы избежать проблем с распознаванием лиц.

Прежде чем наша камера распознает нас, она сначала должна обнаружить лица. Мы будем использовать классификатор Haar Cascade для распознавания лиц. В первую очередь это метод обнаружения объектов, при котором вы тренируете каскадную функцию с помощью негативных и позитивных изображений, после чего она становится способной обнаруживать объекты на других фотографиях.

В нашем случае мы хотим, чтобы наша модель обнаруживала лица. OpenCV поставляется с тренером и детектором, поэтому использовать классификатор Haar Cascade с этой библиотекой относительно удобнее. Вы также можете создать свой классификатор для обнаружения других изображений.

Вот код:

импортировать numpy как np

импорт cv2

faceCascade = cv2.CascadeClassifier('Cascades/haarcascade_frontalface_default.xml')

крышка = cv2.VideoCapture (0)

cap.set(3,640) # установить ширину

cap.set(4,480) # установить высоту

пока верно:

рет, img = cap.read()

изображение = cv2.flip (изображение, -1)

серый = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

лица = faceCascade.detectMultiScale(

серый,

масштабный коэффициент = 1,2,

минСоседи=5,

минимальный размер = (20, 20)

)

для (x,y,w,h) в гранях:

cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)

roi_gray = серый[y:y+h, x:x+w]

roi_color = изображение[у:у+ч, х:х+ш]

cv2.imshow('видео',изображение)

k = cv2.waitKey(30) и 0xff

if k == 27: # нажмите 'ESC' для выхода

перерыв

крышка.релиз()

cv2.destroyAllWindows()

Шаг № 3: Соберите данные

Теперь, когда ваша модель умеет распознавать лица, вы можете обучить ее, чтобы она начала распознавать чье лицо изображено на картинке. Для этого вы должны предоставить ему несколько фотографий лиц, которые вы хотите, чтобы он запомнил.

Вот почему мы начнем с создания нашего набора данных, собрав фотографии. Собрав необходимые изображения, добавьте идентификаторы для каждого человека, чтобы модель знала, какое лицо с каким идентификатором ассоциировать. Начните с изображений одного человека и добавьте не менее 10-20. Используйте различные выражения, чтобы получить наиболее эффективные результаты.

Создайте скрипт для добавления идентификаторов пользователей к изображениям, чтобы вам не приходилось делать это каждый раз вручную. Скрипт жизненно важен, если вы хотите использовать свою модель для нескольких лиц.

Изучите курсы по машинному обучению от лучших университетов мира. Заработайте программы Masters, Executive PGP или Advanced Certificate Programs, чтобы ускорить свою карьеру.

Шаг № 4: Тренируйтесь

После создания набора данных изображений человека вам нужно будет обучить модель. Вы должны передать изображения своему распознавателю OpenCV, и в конце он создаст файл с именем «trainer.yml».

На этом этапе вам нужно только предоставить модели изображения и их идентификаторы, чтобы модель могла ознакомиться с идентификатором каждого изображения. После того, как мы закончим обучение модели, мы можем протестировать ее.

Вот код:

импорт cv2

импортировать numpy как np

из изображения импорта PIL

импорт ОС

# Путь к базе данных изображений лиц

путь = 'набор данных'

распознаватель = cv2.face.LBPHFaceRecognizer_create()

Детектор = cv2.CascadeClassifier («haarcascade_frontalface_default.xml»);

# функция для получения изображений и данных этикетки

деф getImagesAndLabels (путь):

imagePaths = [os.path.join(путь,f) для f в os.listdir(путь)]

лицоОбразцы=[]

идентификаторы = []

для imagePath в imagePaths:

PIL_img = Image.open(imagePath).convert('L') # оттенки серого

img_numpy = np.array (PIL_img, 'uint8')

id = int(os.path.split(imagePath)[-1].split(“.”)[1])

лица = детектор.detectMultiScale(img_numpy)

для (x,y,w,h) в гранях:

faceSamples.append(img_numpy[y:y+h,x:x+w])

ids.append(идентификатор)

вернуть лицоОбразцы,идентификаторы

print("\n[INFO] Тренировка лиц. Это займет несколько секунд. Подождите...")

лица, идентификаторы = getImagesAndLabels (путь)

распознаватель.поезд (лица, np.array (идентификаторы))

# Сохраните модель в файл train/trainer.yml

распознаватель.запись('тренер/тренер.yml')

# Распечатать количество обученных лиц и завершить программу

print("\n [INFO] {0} лиц, обученных. Выход из программы".format(len(np.unique(ids))))

Узнайте: приложение MATLAB для распознавания лиц: код, описание и синтаксис

Шаг № 5: Запустите распознавание

Теперь, когда вы обучили модель, мы можем начать тестирование модели. В этом разделе мы добавили имена к идентификаторам, чтобы модель могла отображать имена соответствующих пользователей, которых она распознает.

Модель не узнает человека. Он предсказывает, совпадает ли лицо, которое он обнаруживает, с лицом, присутствующим в его базе данных. Наша модель отображает процент того, насколько лицо совпадает с лицом, представленным в ее базе данных. Его точность будет сильно зависеть от изображения, которое вы тестируете, и изображений, которые вы добавили в свою базу данных (изображения, с которыми вы обучали модель).

Вот код:

импорт cv2

импортировать numpy как np

импорт ОС

распознаватель = cv2.face.LBPHFaceRecognizer_create()

распознаватель.чтение('тренер/тренер.yml')

cascadePath = «haarcascade_frontalface_default.xml»

faceCascade = cv2.CascadeClassifier(cascadePath);

шрифт = cv2.FONT_HERSHEY_SIMPLEX

# инициировать счетчик идентификаторов

идентификатор = 0

# имена, связанные с идентификаторами: пример ==> upGrad: id=1 и т. д.

имена = ['Нет', upGrad', Me', 'Друг', 'Y', 'X']

# Инициализировать и начать захват видео в реальном времени

камера = cv2.VideoCapture(0)

cam.set(3, 640) # установить ширину видео

cam.set(4, 480) # установить высоту видео

# Определяем минимальный размер окна, которое будет распознаваться как лицо

минВт = 0,1*cam.get(3)

minH = 0,1*cam.get(4)

пока верно:

рет, img =cam.read()

img = cv2.flip(img, -1) # Отразить по вертикали

серый = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

лица = faceCascade.detectMultiScale(

серый,

масштабный коэффициент = 1,2,

минСоседи = 5,

minSize = (целое (минВт), целое (минВ)),

)

for(x,y,w,h) в гранях:

cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)

id, достоверность = распознаватель.predict(grey[y:y+h,x:x+w])

# Если достоверность меньше 100 ==> «0»: идеальное совпадение

если (достоверность < 100):

идентификатор = имена [идентификатор]

доверие = "{0}%". формат (раунд (100 - достоверность))

еще:

идентификатор = «неизвестно»

доверие = "{0}%". формат (раунд (100 - достоверность))

cv2.putText(

изображение,

ул (идентификатор),

(х+5,у-5),

шрифт,

1,

(255 255 255),

2

)

cv2.putText(

изображение,

ул (уверенность),

(х+5,у+ч-5),

шрифт,

1,

(255,255,0),

1

)

cv2.imshow («камера», изображение)

k = cv2.waitKey(10) & 0xff # Нажмите 'ESC' для выхода из видео

если к == 27:

перерыв

# Сделать очистку

print("\n [INFO] Выход из программы и выполнение очистки")

cam.релиз()

cv2.destroyAllWindows()

Мы подошли к концу нашего проекта по распознаванию лиц на Python. Теперь вы знаете, как создать модель машинного обучения, которая обнаруживает и распознает лица. Обязательно поделитесь с нами своими результатами!

Изучите: Учебное пособие по обнаружению объектов TensorFlow для начинающих

Узнайте больше о машинном обучении

Надеемся, вам понравился этот проект по распознаванию лиц. Если вы хотите усложнить задачу, вы можете добавить несколько лиц в свой набор данных и соответствующим образом обучить свою модель. Вы также можете комбинировать его с другими библиотеками и расширять проект во что-то еще, например, в систему безопасности распознавания лиц для программы!

Если вам интересно узнать больше о машинном обучении, ознакомьтесь с программой Executive PG IIIT-B и upGrad по машинному обучению и искусственному интеллекту, которая предназначена для работающих профессионалов и предлагает более 450 часов интенсивного обучения, более 30 тематических исследований и заданий, IIIT -B статус выпускника, 5+ практических практических проектов и помощь в трудоустройстве в ведущих фирмах.