神经网络实现人脸识别（详细教程-深层神经网络算法标识人脸特征值）
神经网络实现人脸识别（详细教程-深层神经网络算法标识人脸特征值）安装dlib之前，必须安装cmake（跨平台的编译工具）和boost（是为C 语言标准库提供扩展的一些C 程序库的总称）。利用pip.exe按照顺序先后安装pip install cmake、pip install boost、pip install dlib，安装后pip list命令查看是否成功。配置环境：Python版本：3.7.4OpenCV版本：4.1.1.26Dlib版本：19.17.0
前面介绍一种使用opencv Haar Cascade人脸检测算法识别图片人脸的方法，这种方式构架简单，使用人脸识别分类器haarcascade_frontalface_default.xml就可以检测不同比例的人脸，但是识别错误率比较高，会出现将大量非人脸预测为人脸的情况，并且不适用于非正面人脸图像。
今天介绍使用dlib库的DNN（深层神经网络）算法识别人脸，并将人脸特征值标注出来。
环境拓扑：
操作系统：Windows7 64bit
Python版本：3.7.4
OpenCV版本：4.1.1.26
Dlib版本：19.17.0
配置环境：
安装dlib之前，必须安装cmake（跨平台的编译工具）和boost（是为C 语言标准库提供扩展的一些C 程序库的总称）。利用pip.exe按照顺序先后安装pip install cmake、pip install boost、pip install dlib，安装后pip list命令查看是否成功。
# dlib dnn 识别人脸，并标注人脸关键点 import dlib # 人脸处理的库 Dlib import cv2 # 图像处理的库 OpenCv # Dlib 正向人脸检测器 detector = dlib.get_frontal_face_detector() # Dlib 68 点特征预测器 predictor = dlib.shape_predictor('F:/workspace_Python/Dlib_face_recognition/data_dlib/shape_predictor_68_face_landmarks.dat') # 人脸图片 faces_path = "F:\\faces.png" #使用opencv读取图片 img = cv2.imread(faces_path) #转换为灰度图片 gray = cv2.cvtColor(img cv2.COLOR_RGB2GRAY) #使用detector进行人脸检测 faces 为返回的人脸数 faces = detector(gray 0) #dets的元素个数即为脸的个数 print("Number of faces detected: {}".format(len(faces))) if len(faces) != 0: # 检测到人脸 #使用enumerate 函数遍历序列中的元素以及它们的下标 #下标idx即为人脸序号 #left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离 #top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离 for idx d in enumerate(faces): x y w h = d.left() d.top() d.right() - d.left() d.bottom() - d.top() cv2.rectangle(img (x y) (x w y h) (0 255 0) 2 8 0) #使用predictor进行人脸关键点识别 shape为返回的结果 shape = predictor(gray d) print("The face {} features: ".format(idx 1)) # 标识人脸68个特征点 i = 0 for point in shape.parts(): if i >= 0 and i <= 16: # 0~16 下巴 cv2.circle(img (point.x point.y) 1 color=(0 0 255)) # 红色 elif i >= 17 and i <= 21: # 17~21 左眉 cv2.circle(img (point.x point.y) 1 color=(0 255 0)) # 绿色 elif i >= 22 and i <= 26: # 22~26 右眉 cv2.circle(img (point.x point.y) 1 color=(255 0 0)) # 蓝色 elif i >= 27 and i <= 30: # 27~30 鼻梁 cv2.circle(img (point.x point.y) 1 color=(0 0 255)) # 红色 elif i >= 31 and i <= 35: # 31~35 鼻尖 cv2.circle(img (point.x point.y) 1 color=(0 255 0)) # 绿色 elif i >= 36 and i <= 41: # 36~41 左眼 cv2.circle(img (point.x point.y) 1 color=(255 0 0)) # 蓝色 elif i >= 42 and i <= 47: # 42~47 右眼 cv2.circle(img (point.x point.y) 1 color=(0 0 255)) # 红色 elif (i >= 48 and i <= 54) or (i >= 60 and i <= 64): # 48~54 60~64 上嘴唇 cv2.circle(img (point.x point.y) 1 color=(255 0 0)) # 蓝色 elif (i == 48) or (i >= 54 and i <= 60) or (i >= 64 and i <= 57): # 48 54~60 64~67 下嘴唇 cv2.circle(img (point.x point.y) 1 color=(0 255 0)) # 绿色 # 68 个特征点编码 #pos = (point.x point.y) #cv2.putText(img str(i 1) pos cv2.FONT_HERSHEY_SIMPLEX 0.3 (0 255 0) 1 cv2.LINE_AA) print("feature {}: point({} {})".format(i point.x point.y)) i = i 1 else: # 没有检测到人脸 cv2.putText(img "no face" (20 50) cv2.FONT_HERSHEY_SIMPLEX 1 (0 0 0) 1 cv2.LINE_AA) #显示标注出特征值的图片 cv2.imshow("image" img) cv2.waitKey(0) 图像显示：
Number of faces detected: 7 The face 1 features: feature 0: point(151 147) feature 1: point(151 157) feature 2: point(152 166) feature 3: point(154 176) feature 4: point(157 184) feature 5: point(164 192) feature 6: point(172 197) feature 7: point(182 203) feature 8: point(191 204) feature 9: point(200 203) feature 10: point(207 197) feature 11: point(212 191) feature 12: point(217 184) feature 13: point(220 176) feature 14: point(222 168) feature 15: point(223 160) feature 16: point(224 152) feature 17: point(162 137) feature 18: point(168 134) feature 19: point(175 133) feature 20: point(182 134) feature 21: point(189 137) feature 22: point(201 139) feature 23: point(207 138) feature 24: point(213 138) feature 25: point(218 139) feature 26: point(222 143) feature 27: point(195 147) feature 28: point(195 152) feature 29: point(195 158) feature 30: point(195 163) feature 31: point(187 169) feature 32: point(191 170) feature 33: point(194 171) feature 34: point(197 171) feature 35: point(200 170) feature 36: point(170 146) feature 37: point(174 144) feature 38: point(179 144) feature 39: point(183 148) feature 40: point(178 149) feature 41: point(173 148) feature 42: point(203 150) feature 43: point(207 147) feature 44: point(211 148) feature 45: point(215 151) feature 46: point(211 152) feature 47: point(207 152) feature 48: point(179 182) feature 49: point(185 178) feature 50: point(191 176) feature 51: point(194 178) feature 52: point(197 177) feature 53: point(201 179) feature 54: point(205 183) feature 55: point(201 186) feature 56: point(197 188) feature 57: point(193 188) feature 58: point(190 187) feature 59: point(184 186) feature 60: point(181 182) feature 61: point(190 181) feature 62: point(194 181) feature 63: point(197 181) feature 64: point(203 183) feature 65: point(197 182) feature 66: point(194 182) feature 67: point(190 182)
