【技术分享】Python3 比对人脸 opencv + dlib实现 ( 第四课 )

简介

在前面的几课中介绍了，如何使用dlib标定人脸 人脸检测 提取68个特征点。这次要在这两个工作的基础之上，将人脸的信息提取成一个128维的向量空间。在这个向量空间上，同一个人脸的更接近，不同人脸的距离更远。度量采用欧式距离，欧氏距离计算不算复杂。

二维公式

三维公式

将其扩展到128维的情况下
通常使用的判别阈值是0.6，即如果两个人脸的向量空间的欧式距离超过了0.6，即认定不是同一个人；如果欧氏距离小于0.6，则认为是同一个人。

完整代码

import cv2
import dlib
import numpy as np

def main():
    img1 = cv2.imread("1.jpeg")
    img2 = cv2.imread("2.jpeg")
    test = cv2.imread("test.jpeg")
    # BGR to RGB
    img1 = img1[:, :, ::-1]
    img2 = img2[:, :, ::-1]
    test = test[:, :, ::-1]
    detector = load_face_detector()
    predictor = load_key_detector()
    encoder = load_face_coding_feature_model()
    img1_128D = encoder_face(img1,detector,predictor,encoder)[0]
    img2_128D = encoder_face(img2,detector,predictor,encoder)[0]
    test_128D = encoder_face(test,detector,predictor,encoder)[0]
    all_image_128D = [img1_128D, img2_128D]
    distance =compare_faces(all_image_128D,test_128D)
    print(distance)

# 加载人脸检测器
def load_face_detector():
    return dlib.get_frontal_face_detector()

# 加载关键点模型
def load_key_detector():
    return dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

# 加载人脸编码特征模型
def load_face_coding_feature_model():
    return dlib.face_recognition_model_v1("dlib_face_recognition_resnet_model_v1.dat")

# 关键点编码为128D
def encoder_face(image,detector,predictor,encoder,upsample=1,jet=1):
    # 检测人脸（检测到几张人脸）
    faces = detector(image,upsample)
    # 对检测的人脸进行关键点检测
    faces_key_points = [predictor(image,face) for face in faces]
    # 对每张检测点进行128D
    return [np.array(encoder.compute_face_descriptor(image,faces_key_point,jet)) for faces_key_point in faces_key_points]
    
# 人脸比较，通过欧式距离
def compare_faces(face_encoding, test_encoding):
    return list(np.linalg.norm(np.array(face_encoding) - np.array(test_encoding), axis=1))

if __name__ == '__main__':
    main()