deepface:实现人脸的识别和分析

deepface介绍

deepface能够实现的功能

人脸检测：deepface 可以在图像中检测出人脸的位置，为后续的人脸识别任务提供基础。

人脸对齐：为了提高识别准确性，deepface 会将检测到的人脸进行对齐操作，消除姿态、光照和表情等因素对识别结果的影响。

特征提取：deepface 使用卷积神经网络（CNN）对齐后的人脸图像进行特征提取，将人脸转换为高维特征向量。

人脸识别：通过比较特征向量之间的相似度，deepface 可以识别出图像中的人脸是否属于同一个人。

人脸验证：deepface 可以用于人脸验证任务，即判断给定的两张人脸图像是否属于同一个人。

人脸搜索：deepface 可以在大型人脸数据库中搜索特定人物，通过比较特征向量找到与目标人物最相似的人脸。

人脸跟踪：deepface 可以在视频序列中跟踪人脸，实现实时的人脸识别和分析。

人脸年龄分析：deepface 可以估计图像中的人脸年纪。

人脸表情识别：deepface 可以估计图像中的人脸表情。

人种识别：deepface 可以识别出图像中的人脸属于什么人种。

性别分析：deepface 可以识别出图像中的人脸是什么性别。

deepface功能的具体实现

1.人脸识别：识别两个人人脸是否属于同一个人

api:

各个参数的含义如下：

img1_path 和 img2_path：就是两张图片的路径，当然除了路径，还可以是 numpy 数组或 base64 字符串。verify 函数会将图像上的人脸部分表示为向量，然后计算相似度。如果其中一张图片出现了多张脸，比如 img1_path 里面有一张脸，但 img2_path 里面有三张脸，那么每一张脸都会进行比对，找到最相似的那一个。

model_name：deepface 已经集成了大量顶尖的人脸模型用于训练，比如：

"VGG-Face"、"OpenFace"、"Facenet"、"Facenet512"、"DeepFace"、"DeepID" "Dlib"、"ArcFace"、"SFace"、"Emotion"、"Age"、"Gender"、"Race"

喜欢哪个就用哪个，但是模型需要下载，如果 deepface 检测到当前机器上没有指定的模型，那么会自动下载。所以当前第一次执行上面代码的时候，会下载 VGG-Face 模型（大小有好几百 M）。关于这些模型的区别，有兴趣可以自己了解一下，我们直接使用默认的即可。

detector_backend：检测器后端，负责提供人脸识别算法，因为 deepface 所使用的算法是由其它模块提供的，默认是 opencv。但除了 opencv 之外，还有其它选择。

"opencv", "retinaface", "mtcnn", "ssd", "dlib", "mediapipe"

这些人脸检测器之间的区别，还是很重要的，我们来解释一下。

  • "opencv"：最轻量级的人脸检测器，使用不基于深度学习技术的 haar-cascade 算法，因此速度很快，但准确率较低。而为了使 OpenCV 正常工作，需要正面图像，如果脸侧了一下或者局部发生遮挡，准确率就会受到影响。此外也不擅长对眼睛的检测，容易导致对齐问题。目前 DeepFace 使用的默认检测器就是 OpenCV。
  • "dlib"：该检测器在后台使用 hog 算法，与 OpenCV 类似，它也不是基于深度学习的，但它的检测和对齐分数相对较高。
  • "ssd"：单次检测器，它是一种流行的基于深度学习的检测器，但性能可与 OpenCV 相媲美。只是 SSD 不支持面部特征点，并且依赖于 OpenCV 的眼睛检测模块来对齐，因此尽管其检测性能很高，但对准分数仅为平均水平。
  • "mtcnn"：基于深度学习的人脸检测器，并带有面部特征点，所以它的检测和对齐得分都很高但是，但速度比 OpenCV，SSD 和 Dlib 慢。另外 MTCNN 是一种多任务级联卷积神经网络的人脸检测算法，能够同时实现人脸检测、关键点定位和人脸对齐等功能。其对于大尺寸人脸的检测效果较好，并且模型规模相对于 RetinaFace 的较小。
  • "retinaface"：一种基于卷积神经网络的人脸检测算法，具有高精度的特点，被公认为是最先进的人脸检测算法，但需要很高的计算能力。相比 MTCNN，检测小尺寸人脸的效果更好。

因此如果你希望结果更加精确，那么使用 RetinaFace 或 MTCNN；如果希望检测速度更快，比如清洗一部分没有人脸的照片，那么可以使用 OpenCV 或 SSD。

  • "opencv"：最轻量级的人脸检测器，使用不基于深度学习技术的 haar-cascade 算法，因此速度很快，但准确率较低。而为了使 OpenCV 正常工作，需要正面图像，如果脸侧了一下或者局部发生遮挡，准确率就会受到影响。此外也不擅长对眼睛的检测，容易导致对齐问题。目前 DeepFace 使用的默认检测器就是 OpenCV。
  • "dlib"：该检测器在后台使用 hog 算法，与 OpenCV 类似，它也不是基于深度学习的，但它的检测和对齐分数相对较高。
  • "ssd"：单次检测器，它是一种流行的基于深度学习的检测器，但性能可与 OpenCV 相媲美。只是 SSD 不支持面部特征点，并且依赖于 OpenCV 的眼睛检测模块来对齐，因此尽管其检测性能很高，但对准分数仅为平均水平。
  • "mtcnn"：基于深度学习的人脸检测器，并带有面部特征点，所以它的检测和对齐得分都很高但是，但速度比 OpenCV，SSD 和 Dlib 慢。另外 MTCNN 是一种多任务级联卷积神经网络的人脸检测算法，能够同时实现人脸检测、关键点定位和人脸对齐等功能。其对于大尺寸人脸的检测效果较好，并且模型规模相对于 RetinaFace 的较小。
  • "retinaface"：一种基于卷积神经网络的人脸检测算法，具有高精度的特点，被公认为是最先进的人脸检测算法，但需要很高的计算能力。相比 MTCNN，检测小尺寸人脸的效果更好。

因此如果你希望结果更加精确，那么使用 RetinaFace 或 MTCNN；如果希望检测速度更快，比如清洗一部分没有人脸的照片，那么可以使用 OpenCV 或 SSD。

distance_metric：距离（面部嵌入）度量方法，可以是 cosine、euclidean 或 euclidean_l2。

enforce_detection：如果没有检测到人脸时，是否引发异常，可以将其设置为 False。

align：是否执行面部对齐。(使用面部对齐，消除姿态、光照和表情等因素对识别结果的影响。)

normalization：用于预处理图像的归一化技术。

代码实例：
 

results = DeepFace.verify(src_file_path_name,make_file_path_name,model_name="retinaface", detector_backend="retinaface",enforce_detection=False,align=True)
  • results["verified"] 是一个布尔值，如果相似度超过某个阈值则返回True，表示系统认为这两张图片是同一个人。
  • results["distance"] 是一个数值，通常来说，这个值越小，表明两张图片的相似度越高。

采用不同模型和不同的后端算法阈值的大小均有所不同，

  • 对于 FaceNet 模型，阈值可能设置在 0.40 左右。
  • 对于 VGG-Face 模型，阈值可能在 0.60 或更高。

 results["distance"]的值越小，代表两个人脸是同一个值

2.人脸识别：识别图片中存在多少个人脸

  results = DeepFace.extract_faces(pic,detector_backend="retinaface",enforce_detection=False)#print("result:", results)for result in results:face_area = result["facial_area"]cv2.rectangle(pic, (face_area['x'], face_area['y']),(face_area['x'] + face_area['w'], face_area['y'] + face_area['h']), (255, 0, 0), 3)#判断双头结果if len(results)>1:cv2.imwrite(output_path_name, pic)
with concurrent.futures.ThreadPoolExecutor(max_workers=4) as excutor:futures = []for imgname in tqdm(imgs_list):#遍历图片排除头的图像if "_head_" in imgname:continue#将图片全部加入任务path_filename = os.path.join(origin_path,imgname)task = excutor.submit(find_face,path_filename)futures.append(task)count = len(futures)print("共记录{}个任务".format(count))prad = tqdm(total=count,position=0)for future in concurrent.futures.as_completed(futures):prad.update(1)future.result()

 应用：此种情况一般应用于检测图片中是否出现了多头的情况，这种情况deepface的准确率达到了99%

3.人脸分析：使用deepface分析人的人种，人的性别，人的心情

# 使用deepface对人脸进行分析，作为评判生图合理性的标准之一
import time
from openpyxl.drawing.image import Image
from deepface import DeepFace
import cv2
import openpyxl
import os
from tqdm import tqdm
py_path = os.path.dirname(__file__)
imgs_path = "./inputDIc"
img_dirs = os.listdir(imgs_path)
OUTPUT_FILE =os.path.join(py_path,"analyze_{}.xlsx".format(time.strftime("%Y-%m-%d %H: %M: %S"),time.localtime()))
path_filename = "./Newoutputimages_2/0_head_pic_Anime_0_balanced.png"
wb = openpyxl.Workbook()
ws = wb.active
ws.append(["img","angry","disguest","fear","happy","sad","surprise","neutral","dominant_emotion","age","gender-women","gender-man","dominant_race"])
# 进行遍历
print(img_dirs)
print("共计{}张图片".format(len(img_dirs)))
for img_name in tqdm(img_dirs):path_filename = os.path.join(imgs_path,img_name)try:results = DeepFace.analyze(path_filename, detector_backend="retinaface", enforce_detection=False, align=True)except Exception as e:print("error:",e)ws.append([path_filename])continueresult = results[0]ws.append([path_filename, result["emotion"]["angry"], result["emotion"]["disgust"], result["emotion"]["fear"],result["emotion"]["happy"], result["emotion"]["sad"], result["emotion"]["surprise"],result["emotion"]["neutral"], result["dominant_emotion"], result["age"], result["gender"]["Man"],result["gender"]["Woman"], result["dominant_gender"], result["dominant_race"]])# print(results)
# print(len(results))
# result = results[0]
#加载图片
img = Image(path_filename)
#将分析结果写入excel表格中
wb.save(OUTPUT_FILE)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/216748.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

青蛙跳台阶(C语言)

青蛙跳台阶(C语言)

1.代码: 2.问题:青蛙一次可以跳上1级台阶，也可以跳上2级台阶。求该青蛙跳上一个n级的台阶总共有多少种跳法？ 3.答案: 我们用递归方法来解题: 秉持着大事化小原则: 假设让青蛙跳上一个台阶,那么还有(n - 1)个台阶要跳 假设让青蛙跳上二个台阶,那么还…
阅读更多...
包装类 和 初阶泛型(详解)

包装类 和 初阶泛型(详解)

【本节目标】 1. 以能阅读 java 集合源码为目标学习泛型 2. 掌握包装类 3. 掌握泛型 1. 包装类 在Java中，由于基本类型不是继承自Object，为了在泛型代码中可以支持基本类型，Java给每个基本类型都对应了一个包装类型。 除了Integer和Charact…
阅读更多...
二百一十六、Flume——Flume拓扑结构之负载均衡和故障转移的开发案例（亲测，附截图）

二百一十六、Flume——Flume拓扑结构之负载均衡和故障转移的开发案例（亲测，附截图）

一、目的 对于Flume的负载均衡和故障转移拓扑结构，进行一个开发测试 二、负载均衡和故障转移 （一）结构含义 Flume支持使用将多个sink逻辑上分到一个sink组 （二）结构特征 sink组配合不同的SinkProcessor可以实现负…
阅读更多...
SpringBoot--入门使用

SpringBoot--入门使用

目录 SpringBoot简介 什么是SpringBoot 相比Spring，SpringBoot的有哪些特点 SpringBoot入门使用 创建SpringBoot项目 配置项目名称 启动SpringBoot SpringBoot整合依赖，配置开发环境 SpringBoot整合jdbc SpringBoot整合mybatis 配置开启log日志…
阅读更多...
隔离电源与非隔离式电源

隔离电源与非隔离式电源

开关电源 文章目录 开关电源前言一、它们之间的区别是什么？二、如何区分它们呢？三、隔离电源与非隔离电源的优缺点四、隔离电源与非隔离电源的选择总结 前言 在产品设计时，倘若没有考虑应用环境对电源隔离的要求，产品到了应用时就…
阅读更多...
Linux服务器安装vim命令

Linux服务器安装vim命令

1、查看是否安装vim命令 vim /etc/hosts2、检查系统中是否存在安装包 rpm -qa|grep vim2、 安装vim yum -y install vim*4、测试是否安装成功 vim /etc/hosts
阅读更多...
linux交换分区管理SWAP

linux交换分区管理SWAP

概念查看当前的交换分区：free 6.2.5 交换分区管理SWAP 6.2.5.1 概念 作用： ”提升“内存容量，防止OOM（out of memory，内存溢出）。 ​ 对应windows中的虚拟内存。 ​ 从功能上讲，交换分区主要是…
阅读更多...
Java进阶 1-1 枚举

Java进阶 1-1 枚举

目录 枚举的基本特性 枚举类型中的自定义方法 switch语句中的枚举 编译器创建的values()方法 使用实现代替继承 构建工具：生成随机的枚举 组织枚举 EnumSet EnumMap 本笔记参考自： 《On Java 中文版》 枚举类型通过enum关键字定义，其…
阅读更多...
【从零开始学习JVM | 第六篇】快速了解 直接内存

【从零开始学习JVM | 第六篇】快速了解 直接内存

前言： 当谈及Java虚拟机（JVM）的内存管理时，我们通常会想到堆内存和栈内存。然而，还有一种被称为"直接内存"的特殊内存区域，它在Java应用程序中起着重要的作用。直接内存提供了一种与Java堆内存和…
阅读更多...
三天搞定jmeter入门到入职全套教程之使用Jmeter录制脚本

三天搞定jmeter入门到入职全套教程之使用Jmeter录制脚本

相对于LoadRunner跟SilkPerformer来说，Jmeter确实有差距，但毕竟前两者太贵，Jmeter胜在免费开源。 先看下LoadRunner录制的脚本如下，美如画，结构清晰，易于修改编辑，比如做关联等。当然目前LoadR…
阅读更多...
Java项目-瑞吉外卖Day2

Java项目-瑞吉外卖Day2

完善登录功能： 完善未登录不能访问/backend/index.html。使用拦截器或过滤器。 创建过滤器。 重写doFilter方法。 查看是否过滤成功。 处理流程如下： 添加员工功能： 点击保存，可以看到请求信息。 再看前端代码&a…
阅读更多...
C++学习笔记—— C++内存管理方式：new和delete操作符进行动态内存管理

C++学习笔记—— C++内存管理方式：new和delete操作符进行动态内存管理

系列文章目录 http://t.csdnimg.cn/d0MZH 目录 系列文章目录http://t.csdnimg.cn/d0MZH 比喻和理解a.比喻C语言开空间C开空间 b.理解a、C语言的内存管理的缺点1、开发效率低（信息传递繁琐）2、可读性低（信息展示混乱）3、稳定性差&…
阅读更多...
中间件系列 - Redis入门到实战(基础篇)

中间件系列 - Redis入门到实战(基础篇)

前言 1.学习视频： 黑马程序员Redis入门到实战教程，深度透析redis底层原理redis分布式锁企业解决方案黑马点评实战项目 2. 本内容仅用于个人学习笔记，如有侵扰，联系删除 3. 本章学习目标： 初始Redis 认识NoSQL认识Redi…
阅读更多...
C++STL库的 deque、stack、queue、list、set/multiset、map/multimap

C++STL库的 deque、stack、queue、list、set/multiset、map/multimap

deque 容器 Vector 容器是单向开口的连续内存空间， deque 则是一种双向开口的连续线性空 间。所谓的双向开口，意思是可以在头尾两端分别做元素的插入和删除操作，当然， vector 容器也可以在头尾两端插入元素，但是在其…
阅读更多...
【LeetCode刷题-树】-- 116.填充每个节点的下一个右侧节点指针

【LeetCode刷题-树】-- 116.填充每个节点的下一个右侧节点指针

116.填充每个节点的下一个右侧节点指针 方法：层次遍历 /* // Definition for a Node. class Node {public int val;public Node left;public Node right;public Node next;public Node() {}public Node(int _val) {val _val;}public Node(int _val, Node _left, N…
阅读更多...
利用anaconda中的Conda创建虚拟环境

利用anaconda中的Conda创建虚拟环境

目录 1. Anaconda 环境变量手动设置(详细)2. Conda 创建虚拟环境参考文献 1. Anaconda 环境变量手动设置(详细) 问题 Win键r打开运行对话框，输入cmd回车 输入conda，显示：‘conda’ 不是内部或外部命令，也不是可运行的程序或批处…
阅读更多...
gamit一（虚拟机启动不了）

gamit一（虚拟机启动不了）

Intel VT-x处于禁用状态怎么办-百度经验 1重新启动电脑 2找到电脑对应的品牌，联想G510是F2, 3进去BIOS，configure里面修改virtual为enable，回车 4F10保存，退出
阅读更多...
【教3妹学编程-算法题】需要添加的硬币的最小数量

【教3妹学编程-算法题】需要添加的硬币的最小数量

3妹：2哥2哥，你有没有看到新闻， 有人中了2.2亿彩票大奖！ 2哥 : 看到了，2.2亿啊， 一生一世也花不完。 3妹：为啥我就中不了呢，不开心呀不开心。 2哥 : 得了吧，你又不买彩票&…
阅读更多...
HTML实现页面

HTML实现页面

<!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta name"viewport" content"widthdevice-width, initial-scale1.0"><title>工商银行电子汇款单</title> </head> &…
阅读更多...
Ubuntu22.04 LTS + CUDA12.3 + CUDNN8.9.7 + PyTorch2.1.1

Ubuntu22.04 LTS + CUDA12.3 + CUDNN8.9.7 + PyTorch2.1.1

简介 本文记录Ubuntu22.04长期支持版系统下的CUDA驱动和cuDNN神经网络加速库的安装&#xff0c;并安装PyTorch2.1.1来测试是否安装成功。 安装Ubuntu系统 如果是旧的不支持UEFI启动的主板&#xff0c;请参考本人博客U盘系统盘制作与系统安装&#xff08;详细图解&#xff09…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023