ヒント | シンプルで使いやすい Python 顔認識アルゴリズムをいくつかまとめます

今日は、シンプルで使いやすい

顔認識アルゴリズムをまとめます。 。 顔認識は、コンピュータ ビジョンにおいて比較的一般的なテクノロジです。人生において、私たちが最もよく遭遇する顔認識シナリオは、顔認識です。私は以前、顔認識に関する特別な記事も書きました。 . 興味のある友達は出席プロジェクトを見てください。

顔認識アルゴリズムの中核となるタスクは、写真から顔の位置を特定することです。認識アルゴリズムにはさまざまなものがありますので、以下で一つずつ紹介していきます。

#1. HoG 顔検出アルゴリズムの使用従来の機械学習アルゴリズムを使用して顔を認識します。従来の機械学習アルゴリズムの特徴は、手動で特徴を構築し、構築された特徴をモデルのトレーニングに送信することです。

このアルゴリズムは、HoG を使用して画像内の顔の特徴を抽出し、分類には SVM アルゴリズムを使用します。

HoG (配向勾配のヒストグラム、配向勾配のヒストグラム) 特徴は、計算と統計画像を通じて、コンピューター ビジョンおよび画像処理における物体検出に使用される特徴記述子です。ローカルエリアは特徴を形成するために使用されます。

dlib このアルゴリズムの実装はライブラリにあります。コア コードを見てみましょう

import dlib
# 加载预训练的 HoG 人脸检测器
hog_face_detector = dlib.get_frontal_face_detector()

# 对图片进行人脸检测
results = hog_face_detector(imgRGB, 0)

for bbox in results:
  x1 = bbox.left()  # 人脸左上角x坐标
  y1 = bbox.top()  # 人脸左上角y坐标
  x2 = bbox.right()  # 人脸右下角x坐标
  y2 = bbox.bottom()  # 人脸右下角y坐标

results 検出された複数の顔を保存します画像内で results をトラバースすると、各面の長方形のフレームを取得できます。

検出例は次のとおりです。

緑色のボックスは、アルゴリズムによって検出された顔の輪郭を示します。

HoG 人脸检测由于采用传统机器学习算法，所以性能比较高，在CPU上运行也可以比较快。但它无法检测小于 80*80 的人脸，对旋转人脸、非正面人脸，识别效果也不太好。

2. 深度学习人脸检测

虽然传统机器学习算法检测更快，但准确度却有待提升。基于深度学习的人脸检测算法往往会更加准确。

这里介绍的是使用残差网络ResNet-10通过网络（模型）在图像的单通道（ Single Shot Detector，SSD）中检测多个人脸。简称SSD算法。

首先，需要将原始图片进行blob预处理，然后直接送入模型，进行检测

cv2库提供了该算法的实现，核心代码如下：

import cv2

# 加载预训练的 SSD 模型
opencv_dnn_model = cv2.dnn.readNetFromCaffe(
      prototxt="models/deploy.prototxt"
      , caffeModel="models/res10_300x300_ssd_iter_140000_fp16.caffemodel")

# 原始图片 blob 处理
preprocessed_image = cv2.dnn.blobFromImage(image, scalefactor=1.0, size=(300, 300), mean=(104.0, 117.0, 123.0), swapRB=False, crop=False)
 
# blob 图片送入模型
opencv_dnn_model.setInput(preprocessed_image)

# 模型推理，进行人脸检测
results = opencv_dnn_model.forward()  

# 遍历人脸
for face in results[0][0]:
  # 置信度
  face_confidence = face[2]
  
  # 人脸边框的左上角和右下角坐标点
  x1 = int(bbox[0] * image_width)
  y1 = int(bbox[1] * image_height)
  x2 = int(bbox[2] * image_width)
  y2 = int(bbox[3] * image_height)

results[0][0]存放了检测出来的多张人脸，每张人脸用数组表达，数组的第3位存放置信度，可以通过阈值过滤不置信的人脸。数组的第4~7位存放检测出来的人脸矩形框左上角和右下角的坐标。

相比于 HoG 人脸检测，SSD 算法对遮挡、非正面人脸也能检测出来。

3. 卷积神经网络人脸检测

卷积就不多说了，了解计算机视觉的都知道。

dlib库提供了卷积神经网络人脸检测算法的实现，用法跟之前类似

import dlib

# 记载预训练模型
cnn_face_detector = dlib.cnn_face_detection_model_v1("models/mmod_human_face_detector.dat")

# 人脸检测
results = cnn_face_detector(imgRGB, 0)

# 遍历每张人脸
for face in results:
  # 人脸边框      
  bbox = face.rect
  
  # 人脸边框的左上角和右下角坐标点
  x1 = int(bbox.left() * (width/new_width))
  y1 = int(bbox.top() * (height/new_height))
  x2 = int(bbox.right() * (width/new_width))
  y2 = int(bbox.bottom() * (height/new_height))

results的解析跟上面类似，这里就不在赘述了。

采用卷积神经网络的人脸检测算法优势很明显，比前两个更准确和健壮，并且还能够检测遮挡下的人脸。

即便非正面、且光线暗的图片，也能很好检测出来

但该算法相应的缺点也很明显，检测过程所花费的时间非常长，无法在 CPU 上实时运行。

4. BlazeFace

上面的算法要么精度高、速度慢，要么速度快，精度低。那有没有一种检测算法，既有高准确率，又有高性能呢？

答案是肯定的，BlazeFace是一种非常轻量级且高度准确的人脸检测器，号称亚毫秒级的人脸检测器。其灵感来自 Single Shot MultiBox Detector (SSD) 和 MobileNetv2。

Mediapipe库提供了该算法的实现，核心代码如下：

import mediapipe as mp

# 画图工具
mp_drawing = mp.solutions.drawing_utils

# 初始化人脸检测模型
mp_face_detection = mp.solutions.face_detection
mp_face_detector = mp_face_detection.FaceDetection(min_detection_confidence=0.4)

results = mp_face_detector.process(imgRGB)

if results.detections:

  # 变脸检测出的人脸
  for face_no, face in enumerate(results.detections):

      # 画人脸关键点
      mp_drawing.draw_detection(image=output_image, detection=face, keypoint_drawing_spec=mp_drawing.DrawingSpec(color=(0,255,0),thickness=-1, circle_radius=image_width//115), bbox_drawing_spec=mp_drawing.DrawingSpec(color=(0,255,0),thickness=image_width//180))

      # 画人脸框
      face_bbox = face.location_data.relative_bounding_box
      x1 = int(face_bbox.xmin*image_width)
      y1 = int(face_bbox.ymin*image_height)

      cv2.rectangle(output_image, pt1=(x1, y1-image_width//20), pt2=(x1+image_width//16, y1), color=(0, 255, 0), thickness=-1)

效果如下：

ご覧のとおり、BlazeFace アルゴリズムは顔を検出するだけでなく、顔の 6 つの重要なポイント (目、鼻、耳、口) も識別できます。

上記は、今日共有される 4 つの顔認識アルゴリズムです。

顔を認識した後、顔の出席を行うのは非常に簡単で、顔 Embedding をベクトルに変換し、ベクトル間の距離を計算するだけです。

以上がヒント | シンプルで使いやすい Python 顔認識アルゴリズムをいくつかまとめますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。