携程旅游网站建设的定位中国现在哪里建设最多
face_recognition 介绍
face_recognition 是一个非常流行的 Python 库，专门用于人脸识别任务。它基于 dlib 库和 HOG（Histogram of Oriented Gradients）特征以及深度学习模型，提供了简单易用的接口来进行人脸检测、面部特征点定位和人脸识别。face_recognition 库由 Adam Geitgey 开发，旨在简化人脸识别任务，使其更加容易上手。
主要功能
- 人脸检测：
- 检测图像中的人脸位置。
- 支持使用 HOG 特征或 CNN（卷积神经网络）进行人脸检测。
- 面部特征点定位：
- 检测人脸上的关键特征点（如眼睛、鼻子、嘴巴等）。
- 人脸识别：
- 提取人脸的特征向量（128维），并用于比较不同人脸之间的相似度。
- 支持从图像或视频中识别特定的人脸。
它和opencv关系
face_recognition 和 OpenCV 是两个独立的计算机视觉库，但它们在功能上有一些重叠，并且经常一起使用来完成复杂的视觉任务。下面简要介绍两者的联系：
联系
尽管 face_recognition 和 OpenCV 各有侧重，但在实际应用中，它们经常被组合起来使用，以发挥各自的优势：
- 图像预处理：通常情况下，我们会先使用 OpenCV 对图像进行预处理，比如调整大小、灰度化、去噪等。这些预处理步骤有助于提高后续人脸识别的准确率。
- 人脸检测与识别：预处理后的图像可以传递给
face_recognition库来执行人脸检测和识别。face_recognition可以高效地完成这些任务，并返回人脸位置、面部特征点等信息。 - 结果可视化：最后，我们可以再次利用 OpenCV 来对识别结果进行可视化处理，例如在图像上画出人脸框、标注识别到的名字等。
检测人脸
face_recognition.face_locations(img, number_of_times_to_upsample=1, model='hog')
- 功能：检测图像中的人脸位置。
- 参数
img：图像的 NumPy 数组。number_of_times_to_upsample：图像上采样的次数，用于提高检测精度。model：使用的模型，可以是'hog'（默认）或'cnn'。
- 返回：一个列表，每个元素是一个
(top, right, bottom, left)的元组，表示人脸的位置
import face_recognition
import cv2
#加载图片
image = cv2.imread("../face_train_images/ldh.jpg")
#读取人脸位置
face_locations = face_recognition.face_locations(image)
print(face_locations)for (top, right, bottom, left) in face_locations:# 画出人脸区域cv2.rectangle(image, (left, top), (right, bottom), (0, 255, 0), 2)
# 显示结果
cv2.imshow("Detected Faces", image)
cv2.waitKey(0)
cv2.destroyAllWindows()
切割人脸
import face_recognition
import cv2
#加载图片
image = cv2.imread("../face_train_images/ldh.jpg")
#读取人脸位置
face_locations = face_recognition.face_locations(image)
print(face_locations)for (top, right, bottom, left) in face_locations:# 画出人脸区域cv2.rectangle(image, (left, top), (right, bottom), (0, 255, 0), 2)qg_image = image[top:bottom,left:right]
# 显示结果
cv2.imshow("Detected Faces", qg_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
提取人脸特征
`face_recognition.face_encodings(img, known_face_locations=None, num_jitters=1, model='small')`
- 功能：提取图像中人脸的特征向量。
- 参数
img：图像的 NumPy 数组。known_face_locations：人脸位置的列表，如果为None，则自动检测人脸位置。num_jitters：对每个人脸进行多次编码以提高精度。model：使用的模型，可以是'small'或'large'（默认）。
- 返回：一个列表，每个元素是一个 128 维的特征向量。
import face_recognition
import cv2
#加载图片
image = cv2.imread("../face_train_images/ldh.jpg")
#读取人脸位置
face_locations = face_recognition.face_locations(image)
#提取人脸特征码
face_encodings = face_recognition.face_encodings(image)[0]
print(face_encodings)计算人脸的欧几里得距离
import face_recognition
import cv2
import numpy as np
#加载图片
image1 = cv2.imread("../face_train_images/ldh.jpg")
#读取人脸位置
face_locations1 = face_recognition.face_locations(image1)
#提取人脸特征码
face_encodings1 = face_recognition.face_encodings(image1)[0]#加载图片
image2 = cv2.imread("../face_train_images/4.jpg")
#读取人脸位置
face_locations2 = face_recognition.face_locations(image2)
#提取人脸特征码
face_encodings2 = face_recognition.face_encodings(image2)[0]# 计算两个人脸编码之间的欧几里得距离。
distance = np.linalg.norm(face_encodings1 - face_encodings2)
print(distance)欧几里得距离
欧几里得距离（Euclidean distance）是一种测量两个点之间直线距离的方式，常用于数学、物理学和计算机科学中的各种应用，包括机器学习中的数据点距离计算。它是基于欧几里得几何的概念，通常用于计算空间中两点之间的距离。
应用
- 数据分析: 欧几里得距离常用于计算数据点之间的距离，例如在聚类算法（如K均值聚类）中。
- 计算机视觉: 在人脸识别等任务中，欧几里得距离用于计算特征向量之间的相似度。
- 优化: 在路径规划和优化问题中，计算两点之间的欧几里得距离可以帮助寻找最短路径。
欧几里得距离的意义
- 距离越小，相似度越高：
- 特征向量相似：当欧几里得距离越小说明两个特征向量之间的差异越小，即这两个人脸在特征空间中很接近。因此，这两个图像可能是同一个人或者相似度很高。
- 相同身份的概率大：在许多人脸识别系统中，如果计算出的距离小于某个设定的阈值，则系统会认为这两个面孔属于同一个人。
- 距离阈值：
- 匹配判断：通常，系统会设置一个阈值来判断两个特征向量是否属于同一身份。如果计算出的距离小于这个阈值，则认为两张图片中的人脸是相同的；如果距离大于阈值，则认为是不同的身份。
- 误识别率：设置的阈值会影响系统的误识别率（假阳性和假阴性率）。距离阈值的选择需要根据具体应用场景进行调整。
计算人脸匹配程度
face_recognition.compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)
-
功能：比较已知人脸特征向量和待检测人脸特征向量，判断是否匹配。
-
参数
known_face_encodings：已知人脸特征向量的列表。face_encoding_to_check：待检测的人脸特征向量。tolerance：匹配的阈值，范围是 0.0 到 1.0，值越小表示匹配要求越高。
-
返回：一个布尔值列表，表示待检测人脸特征向量是否与已知人脸特征向量匹配
import face_recognition
import cv2
#提取已知人脸图片
known_image = image1 = cv2.imread("../face_train_images/ldh.jpg")
#提取提取已知人脸图片的人脸特征码
face_encodings1 = face_recognition.face_encodings(known_image)[0]
#提取未知人脸图片
unknown_image = image1 = cv2.imread("../face_train_images/1.jpg")
#提取未知人脸图片的人脸特征码
face_encodings2 = face_recognition.face_encodings(unknown_image)
#计算是否匹配
results = face_recognition.compare_faces([face_encodings1], face_encodings2[0],tolerance=0.5)
print(results)注意：
提取提取已知人脸图片的人脸特征码要获取下标未 0 的数值
提取未知人脸图片的人脸特征码 不获取小标
在计算匹配的时候传入到函数的参数，已知人脸图片的人脸特征码 获取放入到列表中，未知获取下标未0
图片预处理
如果对图片进行，
import face_recognition
import cv2
import numpy as np
#加载图片
image1 = cv2.imread("../face_train_images/ldh.jpg")
# 使用 OpenCV 进行图像预处理
gray_image1 = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY)
#使用高斯滤波去除噪声
gs_img1 =cv2.GaussianBlur(gray_image1,(3,3),0)image1 = cv2.cvtColor(gs_img1,cv2.COLOR_GRAY2BGR)
#读取人脸位置
face_locations1 = face_recognition.face_locations(image1)
#提取人脸特征码
face_encodings1 = face_recognition.face_encodings(image1)[0]#加载图片
image2 = cv2.imread("../face_train_images/1.jpg")
# 使用 OpenCV 进行图像预处理
gray_image2 = cv2.cvtColor(image2, cv2.COLOR_BGR2GRAY)
#使用高斯滤波去除噪声
gs_img2 =cv2.GaussianBlur(gray_image2,(3,3),0)image2 = cv2.cvtColor(gs_img2,cv2.COLOR_GRAY2BGR)
#读取人脸位置
face_locations2 = face_recognition.face_locations(image2)
#提取人脸特征码
face_encodings2 = face_recognition.face_encodings(image2)[0]# 计算两个人脸编码之间的欧几里得距离。
distance = np.linalg.norm(face_encodings1 - face_encodings2)
print(distance)
#