对于开发环境,我们将使用 Visual Studio Community Edition。
如果你的计算机上还没有安装它,你可以从这里下载。并使用 C++安装桌面开发。
现在我们有了使用 C++ 进行桌面开发的 Visual Studio,我们可以开始我们的项目了。
使用 Visual Studio 打开一个新目录并创建一个新的 python 环境。我们将使用venv. 打开你的集成终端并编写python -m venv venv。然后通过键入venv/bin/Activate.ps1激活环境。这是针对 PowerShell 的。
如果你使用任何其他终端,你可以在此处找到完整列表
现在我们已经完成了虚拟环境的创建,让我们开始提取我们的依赖项。为此,我们将需要opencv和face_recognition。在你的终端内使用pip.
pip install opencv-python face_recognition
Face Recognition是一个使用最先进的dlib库的库。我们准备好编写一些代码并识别一些面孔。
创建一个新的 python 文件,我们将调用文件missingPerson.py,假设我们将使用我们的应用程序匹配失踪人员。导入我们的依赖项并编写我们的前几行。
import cv2 import numpy as np import face_recognition import os from face_recognition.api import face_distance
假设我们所有的照片都存储在我们的服务器存储中,我们需要首先将所有人物的图像拉入我们的应用程序并读取这些图像。
path = 'MissingPersons' images = [] missingPersons = [] missingPersonsList = os.listdir(path) for missingPerson in missingPersonsList : curImg = cv2.imread(f'{path}/{missingPerson}') images.append(curImg) missingPersons.append(os.path.splitext(missingPerson)[0]) print(missingPersons)
在本节中,我们将使用 opencv 读取失踪人员的所有图像并将它们附加到我们的missingPerson列表中。
在我们从存储中读取所有丢失的人脸图像后,我们需要找到人脸编码,以便我们可以使用 CNN 人脸检测器在图像中创建人脸边界框的二维数组。
def findEncodings(images): encodeList = [] for img in images: img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) encode = face_recognition.face_encodings(img)[0] encodeList.append(encode) print(encodeList) return encodeList encodeListKnown = findEncodings(images) print('Encoding Complete')
我们将二维数组存储到已知人脸编码列表中。这将需要几分钟。
现在我们有了所有失踪人员的面部编码,我们现在要做的就是将它们与我们的报告人图像进行匹配。face_recognition使用起来非常方便。
def findMissingPerson(encodeListKnown, reportedPerson='found1.jpg'): person = face_recognition.load_image_file(f'ReportedPersons/{reportedPerson}]') person = cv2.cvtColor(person,cv2.COLOR_BGR2RGB) try: encodePerson = face_recognition.face_encodings(person)[0] comparedFace = face_recognition.compare_faces(encodeListKnown,encodePerson) faceDis = face_recognition.face_distance(encodeListKnown,encodePerson) matchIndex = np.argmin(faceDis) if comparedFace[matchIndex]: name = missingPersons[matchIndex].upper() print(name) return name else: print('Not Found') return False except IndexError as e: print(e) return e
首先我们需要加载被报告人的图像文件,对他们的脸进行编码。剩下的就是将被报告人脸编码与我们已知的人脸编码进行比较。然后一个简单的逻辑匹配他们的索引并返回是否在我们的 missingPersons 列表中找到该人。
这种人脸识别不仅用于寻找失踪人员。它可以检测和识别人脸,并且可以根据需要进行操作。
以上是利用Python实现人脸识别的方法及步骤的详细内容。更多信息请关注PHP中文网其他相关文章!

每天学习Python两个小时是否足够?这取决于你的目标和学习方法。1)制定清晰的学习计划,2)选择合适的学习资源和方法,3)动手实践和复习巩固,可以在这段时间内逐步掌握Python的基本知识和高级功能。

Python在Web开发中的关键应用包括使用Django和Flask框架、API开发、数据分析与可视化、机器学习与AI、以及性能优化。1.Django和Flask框架:Django适合快速开发复杂应用,Flask适用于小型或高度自定义项目。2.API开发:使用Flask或DjangoRESTFramework构建RESTfulAPI。3.数据分析与可视化:利用Python处理数据并通过Web界面展示。4.机器学习与AI:Python用于构建智能Web应用。5.性能优化:通过异步编程、缓存和代码优

Python在开发效率上优于C ,但C 在执行性能上更高。1.Python的简洁语法和丰富库提高开发效率。2.C 的编译型特性和硬件控制提升执行性能。选择时需根据项目需求权衡开发速度与执行效率。

Python在现实世界中的应用包括数据分析、Web开发、人工智能和自动化。1)在数据分析中,Python使用Pandas和Matplotlib处理和可视化数据。2)Web开发中,Django和Flask框架简化了Web应用的创建。3)人工智能领域,TensorFlow和PyTorch用于构建和训练模型。4)自动化方面,Python脚本可用于复制文件等任务。

Python在数据科学、Web开发和自动化脚本领域广泛应用。1)在数据科学中,Python通过NumPy、Pandas等库简化数据处理和分析。2)在Web开发中,Django和Flask框架使开发者能快速构建应用。3)在自动化脚本中,Python的简洁性和标准库使其成为理想选择。

Python的灵活性体现在多范式支持和动态类型系统,易用性则源于语法简洁和丰富的标准库。1.灵活性:支持面向对象、函数式和过程式编程,动态类型系统提高开发效率。2.易用性:语法接近自然语言,标准库涵盖广泛功能,简化开发过程。

Python因其简洁与强大而备受青睐,适用于从初学者到高级开发者的各种需求。其多功能性体现在:1)易学易用,语法简单;2)丰富的库和框架,如NumPy、Pandas等;3)跨平台支持,可在多种操作系统上运行;4)适合脚本和自动化任务,提升工作效率。

可以,在每天花费两个小时的时间内学会Python。1.制定合理的学习计划,2.选择合适的学习资源,3.通过实践巩固所学知识,这些步骤能帮助你在短时间内掌握Python。


热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

MinGW - 适用于 Windows 的极简 GNU
这个项目正在迁移到osdn.net/projects/mingw的过程中,你可以继续在那里关注我们。MinGW:GNU编译器集合(GCC)的本地Windows移植版本,可自由分发的导入库和用于构建本地Windows应用程序的头文件;包括对MSVC运行时的扩展,以支持C99功能。MinGW的所有软件都可以在64位Windows平台上运行。

Dreamweaver CS6
视觉化网页开发工具

WebStorm Mac版
好用的JavaScript开发工具

ZendStudio 13.5.1 Mac
功能强大的PHP集成开发环境

记事本++7.3.1
好用且免费的代码编辑器