一種簡單而智能的方法：Python也能進行面部識別
本文轉載自公眾號“讀芯術”(ID：AI_Discovery)。
本文將介紹圖像處理中的一些重要概念，除了具體解釋每個步驟之外，還將提供一個在Python中使用Cv2和DLib庫輕松進行人臉識別的項目。
感興趣區域
在使用圖像進行面部分析時，最重要的概念之一是定義感興趣區域(ROI)，我們必須在圖像中定義一個特定的部分，在那里篩選或執行一些操作。
例如，如果我們需要篩選汽車的車牌，我們的感興趣領域只停留在車牌上，那么街道、車身和圖片中出現的任何東西都只是輔助部分。在本例中，我們將使用opencv庫，該庫支持對圖像進行分區并幫助我們確定感興趣領域。
Haar庫
本項目中將使用現成的分類器：級聯的Haar分類器，這種特定的分類器將始終適用于灰度圖像。
該算法生成了一個幾何圖形，該幾何圖形將識別與我們所分析的相似點。因此在本例中，它將嘗試尋找人臉圖案，即眼睛、鼻子和嘴巴。這種分析方法最大的問題是產生幻想性視錯覺。
你看到的是人眼還是幾扇窗戶?在希臘詞源學中，幻想性視錯覺是一種人類的特征。從童年起，我們的大腦就被編程來識別物體、圖像中的人臉。利用我們先前獲得的經驗，我們自己的大腦會根據我們所認識到的“人類”特征來尋找一種模式，增加新的人臉面孔。
使用Haar人臉特征分類器
用以下圖像為例：
來看看識別這張圖片中的人臉代碼：
- import cv2
- group_of_people_image = cv2.imread('images/image7.jpg')
- frontal_face_classifier = cv2.CascadeClassifier('classifier/haarcascade_frontalface_default.xml')
- image_in_gray_scale = cv2.cvtColor(group_of_people_image,cv2.COLOR_BGR2GRAY)
- faces = frontal_face_classifier.detectMultiScale(image=image_in_gray_scale,scaleFactor=1.3, minNeighbors=6)
- for (x_axis, y_axis, weight,height) in faces:
- cv2.rectangle(group_of_people_image,(x_axis, y_axis), (x_axis + weight, y_axis + height), (255, 0, 0), 2)
該算法將圖像轉換為灰度圖像，如前所述，這是分類器操作的一個基本步驟，然后我們使用dectedMultiScale函數搜索圖像中的人臉，并通過繪制矩形來顯示圖像的位置，當定位人臉時結果如下：
我們能夠準確地分析兩張出現的臉(采用矩形的方式將人臉框起來)，有兩個人完全正面地露出他們的臉，人臉完全顯現，所以我們可以清楚地看到他的臉;另一個人只露出了面部的一部分，所以我們沒有得到準確的信息來確認這是一張完整的人臉。
面部特征檢測
Dlib是一個擁有一些分類器的庫，可以幫助我們檢測人臉的某些部分，例如：眼睛、眉毛、鼻子和洋娃娃的區域。以下圖為例：
現在，使用算法來識別圖像中的面部特征點：
- import cv2
- import dlib
- import numpy as np
- initial_image = cv2.imread('images/image9.jpg')
- initial_image_in_rgb = cv2.cvtColor(initial_image,cv2.COLOR_BGR2RGB)
- reference_image = initial_image_in_rgb.copy()
- classifier_path = dlib.shape_predictor('classifier/shape_predictor_68_face_landmarks.dat')
- frontal_face_detector = dlib.get_frontal_face_detector()
- rectangles =frontal_face_detector(initial_image,1)
- for k, d inenumerate(rectangles):
- cv2.rectangle(reference_image,(d.left(), d.top()), (d.right(), d.bottom()), (255, 255, 0), 2)
- landmarks = []
- for rectangle in rectangles:
- landmarks.append(np.matrix([[p.x, p.y] for p inclassifier_path(reference_image,rectangle).parts()]))
- for landmark in landmarks:
- for index, point inenumerate(landmark):
- point_center = (point[0, 0], point[0, 1])
- cv2.circle(reference_image,point_center, 3, (255, 255, 0), -1)
- cv2.putText(reference_image,str(index), point_center, cv2.FONT_HERSHEY_COMPLEX, 3, (255, 255, 255), 2)
我們使用的是人臉68個特征分類器，它試圖更精確地理解點面，這給了我們更多的選擇去分析結果，其缺點是速度有點慢。所以必須劃定一個矩形來確定我們的臉可能在哪里，特征是我們可以識別的人臉特征，包括臉、嘴、眼睛、眉毛。
一旦用矩形的方式框出了臉，就可以使用功能部件將這些特征返回，最后將得到一些可視化的東西去生成一個帶有面部點的圖像。結果是：
這些點對于幫助識別表情很重要，例如我們可以識別出這個男孩睜著眼睛，閉著嘴巴。把這看作是一種情緒的表現，可以說這個男孩很焦慮。當一個人微笑時，它可以幫助理解這種情緒可能表達的是幸福。
上述例子向我們展示了，Python可以識別出我們感興趣的區域，在本文中就是人臉識別。這個項目還可以擴展到使用機器學習來檢測，探究圖像中的人是否感到快樂、悲傷或者憂慮。
包含所有內容的項目可從以下網址獲得：https://github.com/LimaGuilherme/facial-recognize
