人脸识别

Installation安装 稳定的版本 要安装Face Recognition面部识别，请在终端中运行此命令： $ pip3 install face_recognition 这是安装面部识别的首选方法，因为它将始终安装最新的稳定版本。 如果您没有安装 pip ，这个 Python安装指南 可以指导您完成该过程。 来源 面部识别的源码可以从 Github仓库 下载。 您可以克隆公共仓库： $ git clone git：//github.com/ageitgey/face_recognition 或下载 tarball ： $ curl -OL https://github.com/ageitgey/face_recognition/tarball/master 一旦你有源码的副本，你就可以安装它： $ python setup.py install 来源： oschina 链接： https://my.oschina.net/u/3053788/blog/1557478

Usage用法 在项目中使用面部识别： import face_recognition 有关如何使用每个函数，请参阅github上的 /examples 文件夹中的示例。 您还可以查阅 face_recognition 的 API文档 ，以查看每个功能的可能参数。 基本的想法是，首先你加载一个图像： import face_recognition image = face_recognition.load_image_file("your_file.jpg") 将图像加载到numpy数组中。如果您已经有一个numpy数组中的图像，可以跳过此步骤。 然后，您可以对图像执行操作，如查找面部，识别面部特征或查找面部编码： ＃查找图像中的所有脸部 face_locations = face_recognition.face_locations(image) ＃或者也可以找到图像中的面部特征 face_landmarks_list = face_recognition.face_landmarks(image) ＃或者您可以为图像中的每个面部获取面部编码： list_of_face_encodings = face_recognition.face_encodings(image) 面部编码可以相互比较，看看脸部是否匹配。注意：查找面部的编码有点慢，所以如果需要稍后再参考一下

Face Recognition人脸识别库 这是世界上最简单的人脸识别库了。你可以通过Python引用或者命令行的形式使用它，来管理和识别人脸。 该软件包使用dlib中最先进的人脸识别深度学习算法，使得识别准确率在《Labled Faces in the world》测试基准下达到了99.38%。 它同时提供了一个叫face_recognition的命令行工具，以便你可以用命令行对一个文件夹中的图片进行识别操作。 特征 在图片中识别人脸 找到图片中所有的人脸： import face_recognition image=face_recognition.load_image_file("your_file.jpg") face_locations=face_recognition.face_locations(image) 找到并操作图片中的脸部特征 获得图片中人类眼睛、鼻子、嘴、下巴的位置和轮廓： import face_recognition image = face_recognition.load_image_file("your_file.jpg") face_landmarks_list = face_recognition.face_landmarks(image) 找到脸部特征有很多超级有用的应用场景，当然你也可以把它用在最显而易见的功能上：美颜功能

Github开源人脸识别项目face_recognition 原文： https://www.jianshu.com/p/0b37452be63e 译者注： 本项目 face_recognition 是一个强大、简单、易上手的人脸识别开源项目，并且配备了完整的开发文档和应用案例，特别是兼容树莓派系统。 为了便于中国开发者研究学习人脸识别、贡献代码，我将本项目README文件翻译成 中文 。 向本项目的所有贡献者致敬。 英译汉：同济大学开源软件协会 子豪兄Tommy Translator's note: face_recognition is a powerful, simple and easy-to-use face recognition open source project with complete development documents and application cases, especially it is compatible with Raspberry Pi. In order to facilitate Chinese software developers to learn, make progress in face recognition development and source code contributions, I

10月29日晚上8点半我们团队12人举行了第一次例会，地点在5栋606寝室举行，首先会议内容确定了邓真强为团队组长，随后讨论出“强！真强！强中强！”确立为团队名称。经过激烈讨论在图书管理系统，班级博客，人工智能人脸识别，梦幻记事本，帮帮堂，校园旅行中选取班级博客，人工智能人脸识别为团队的首选两个项目。两个项目的PM分别为严兴旺和庄浩玉玺同学。两位同学带领得子队员开展了项目。 来源： https://www.cnblogs.com/qiang0102/p/11830207.html

Contributing特约贡献 欢迎贡献，非常感谢！每一点帮助，都是肯定。 你可以在许多方面做出贡献： 贡献类型 报告错误 在 https://github.com/ageitgey/face_recognition/issues 上报告错误。 如果您报告错误，请包括如下信息： 您的操作系统名称和版本。 有关本地设置的任何细节可能有助于排除故障。 详细的步骤重现错误。 提交反馈 发送反馈的最佳方法是在 https://github.com/ageitgey/face_recognition/issues 上提出问题。 如果您提出了一个功能，请包括如下信息： 详细解释它将如何工作。 尽可能的缩小范围，使其更容易实现。 请记住，这是一个志愿者驱动的项目，欢迎您的贡献:) 开始吧！ 准备贡献？以下是如何设置face_recognition进行本地开发。 首先Fork face_recognition 源码到你自己的Github仓库 再克隆你上一步Fork到自己的Github上的face_recognition到本地： $ git clone git@github.com:your_name_here/face_recognition.git 将本地face_recognition副本安装到virtualenv中。假设你已经安装了virtualenvwrapper

2014 CVPR Facebook AI研究院 简单介绍 人脸识别中，通常经过四个步骤，检测，对齐（校正），表示，分类 论文主要阐述了在对齐和表示这两个步骤上提出了新的方法，模型的表现超越了前人的工作 对齐方面主要使用了3D人脸模型来对齐人脸，表示方面使用了9层的一个CNN，其中使用了局部卷积 人脸对齐 已经存在一些人脸数据库的对齐版本（比如LFW-a），但是对齐人脸仍然是一件很困难的事，由于受到姿态（人脸的非平面性），非刚性表情等因素的影响。已经有很多方法成功用于人脸对齐，论文使用的方法是基于基准点的3D建模方法，把人脸转为3D的正脸。主要步骤为： 用LBP+SVR的方法检测出人脸的6个基准点，眼镜两个点，鼻子一个点，嘴巴三个点，如下图(a) 通过拟合一个对基准点的转换（缩放，旋转，平移）对图像进行裁剪，得到下图(b) 对图像定位67个基准点，并进行三角剖分，得到下图(c) 用一个3D人脸库USF Human-ID得到一个平均3D人脸模型（正脸），如图(d) 学习一个3D人脸模型和原2D人脸之间的映射P，并可视化三角块，如图(e) 通过相关的映射，把原2D人脸中的基准点转换成3D模型产生的基准点，得到如图(f)所示，最后的正脸就是图(g)。 人脸表示 如下图所示，训练了一个DNN来提取人脸图像的特征表示 C1和C3表示卷积层，M2表示最大池化层，“32x11x11x3

由于是第一次做 人脸识别，自己摸索，本来师兄是叫我先看MTCNN，不知道怎么回事蹦到了FaceNet了。不过先拿FaceNet做识别出个baseline吧。 github Train a classifier on own images 因为完全不知道怎么开始，所以先按照原本流程走一边。按照LFW的训练步骤： 安装依赖项 In the below description it is assumed that installed , and repo required python modules 下载LFW数据集 wget http://vis-www.cs.umass.edu/lfw/lfw.tgz 解压到 facenet\data\lfw 处理数据 （校准/对齐 将数据修剪到与预训练模型使用的数据集一致大小） 1.配置路径 export PYTHONPATH=/home/hszc/Desktop/ZHIHUICHENGSHI/version1/facenet/src 不配置得话 会报错 ImportError: No module named facenet 2.处理数据 cd facenet python src/align/align_dataset_mtcnn.py data/lfw/ data/lfw_160 --image_size 160 --margin 32 -

1 介绍 2 人脸对齐的应用 目前做机器视觉的公司都会进行人脸技术研发， 而人脸对齐则是一个非常火的研发方向，我们知道在人的脸上能做各种事，化妆，戴眼镜，带美瞳，贴纸。现在所有的美图软件，都会有贴纸，还有美肤,一些人脸识别也会基于人脸对齐后的结果提取特征或者是做活体检测。 3 方法介绍 I 是特征，x是映射矩阵，R是偏移量。SDM人脸对齐方法训练的目的就是得到映射矩阵x，步骤如下： 估计形状加上预测偏移量就是结果，在实际情况中，共需要训练多层，二层以后需要使用上一层对齐的结果作为估计形状。 文章来源: 人脸对齐：SDM人脸关键点检测

人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。业务针对人脸识别服务提供的科技公司也是非常的多，这里列举了主流的十五家科技公司。 文章转载自微信公众号：ittbank 01 北京商汤科技 核心业务：智慧金融、智慧商业、智慧安防、互联网+ 技术特点：人脸技术、智能监控、图像识别、文字识别、图像及视频编辑、深度学习框架 成功案例：京东、招商银行、借贷宝、拉卡拉、长城会、东方网力、公安三所、英伟达、科大讯飞等 备注：与京东、银联、招商银行、卡拉卡、融360等均有合作；布局智慧城市安防项目；智能视频方面，SenseFace人脸布控系统已经开始广泛落地；以图搜图的图腾系统；已经应用在广州、 重庆、河北等地的公安局；Faceu应用SenseAR增强现实感引擎；人像背景虚化功能、智能相册中的人脸聚类功能应用在OPPO、小米等手机。 官网：https://www.sensetime.com/ 02 北京旷视科技 核心业务：FaceID 在线身份验证服务、Face++ 人工智能开放平台、智能地产解决方案、智能安防解决方案 技术特点：动态人脸识别、在线/离线活体检测、超大人像库实时检索、证件识别、行人检测、轨迹分析 成功案例：中信银行、招商银行信用卡中心、蚂蚁金服