請直接訪問原文章 dlib 使用OpenCV，Python和深度學習進行人臉識別 源代碼 https://hotdog29.com/?p=595
在 2019年7月7日 上張貼 由 hotdog發表回覆
dlib 在今天的博客文章中，您將學習如何使用以下方法在圖像和視頻流中執行人臉識別：
OpenCV
python
深度學習
正如我們將要看到的，我們今天在這裏使用的基於深度學習的面部嵌入都是（1）高度準確 和（2）能夠實時執
使用OpenCV，Python和深度學習進行人臉識別
在本教程中，您將學習如何使用OpenCV，Python和深度學習進行面部識別。
我們將首先簡要討論基於 深度 學習的面部識別，包括“深度量學習”的概念。
我將幫助您安裝實際執行面部識別所需的庫。
最後，我們將對靜止圖像和視頻流實現面部識別。
正如我們將要發現的那樣，我們的面部識別實現將能夠實時運行。
瞭解深度學習人臉識別嵌入
那麼，深度學習+面部識別是如何工作的呢？
祕密是一種稱爲深度量學習的技術。
如果您有任何深度學習經驗，您知道我們通常會訓練網絡：
接受單個輸入圖像
並輸出該圖像的分類/標籤
但是，深度量度學習是不同的。
相反，我們嘗試輸出單個標籤（甚至是圖像中對象的座標/邊界框），而是輸出實值特徵向量。
對於dlib面部識別網絡，輸出特徵向量是128-d（即，128個實數值的列表），其用於量化面部。使用三元組訓練網絡：
圖1：通過深度量學習進行的面部識別涉及“三重訓練步驟”。三胞胎由3個獨特的面部圖像組成 – 3箇中的2個是同一個人。NN爲3個面部圖像中的每一個生成128-d矢量。對於同一個人的2個面部圖像，我們調整神經網絡權重以通過距離度量使矢量更接近。
在這裏，我們爲網絡提供三個圖像：
這些圖像中的兩個是同一個人的示例面部。
第三個圖像是來自我們數據集的隨機面，與其他兩個圖像不是同一個人。
作爲一個例子，讓我們再次考慮上面的圖1，我們提供了三個圖像：一個是Chad Smith，兩個是Will Ferrell。
通過我們的網絡量化，爲每個面構建128-d嵌入（量化）。
從那裏，一般的想法是我們將調整我們的神經網絡的權重，以便兩個Will Ferrel的128-d測量將彼此更接近並且遠離Chad Smith的測量。
我們用於人臉識別的網絡架構基於He等人的深度殘留學習圖像識別論文中的ResNet-34 ，但是層數較少，濾波器數量減少了一半。
該網絡本身由Davis King在大約300萬張圖像的數據集上進行了訓練。在野外標記面（LFW）數據集中，網絡與其他最先進的方法進行比較，準確率達到99.38％。
Davis King（dlib的創建者）和Adam Geitgey（ 我們將很快使用的face_recognition模塊的作者）都寫了詳細的文章，介紹了基於學習的面部識別的深度：
深度度量學習的高質量人臉識別（戴維斯）
深度學習的現代人臉識別（Adam）
我強烈建議您閱讀上述文章，瞭解有關深度學習面部嵌入的工作原理的詳細信息。
安裝面部識別庫
爲了使用Python和OpenCV執行面部識別，我們需要安裝兩個額外的庫：
dlib
face_recognition
由Davis King維護的 dlib 庫包含我們實現的“深度量學習”，用於構建用於實際識別過程的面部嵌入。
由Adam Geitgey創建的 face_recognition 庫包含了 dlib的面部識別功能，使其更易於使用。在2018年的PyImageConf上向Adam Geitgey和Davis King 學習
我假設您已在系統上安裝了OpenCV。如果沒有，不用擔心 – 只需訪問我的OpenCV安裝教程頁面，然後按照適合您系統的指南進行操作。
從那裏，讓我們安裝 dlib 和 face_recognition 包。
注意： 對於以下安裝，請確保您使用的是虛擬環境。我強烈推薦用於隔離項目的虛擬環境 – 這是Python的最佳實踐。如果您已經按照我的OpenCV安裝指南（並安裝了 virtualenv +virtualenvwrapper ），那麼您可以 在安裝dlib 和 face_recognition之前使用 workon命令 。
dlib 無 GPU支持安裝
如果您沒有GPU，可以按照本指南 使用pip 安裝 dlib
1
2 $ workon # optional
$ workon # optional$ pip install dlib
或者您可以從源代碼編譯
1
2
3
4
5
6
7
8
9 $ workon # optional
$ git clone https://github.com/davisking/dlib.git
$ cd dlib
$ mkdir build
$ cd build
$ cmake … -DUSE_AVX_INSTRUCTIONS=1
$ cmake --build .
$ cd …
$ python setup.py install --yes USE_AVX_INSTRUCTIONS
dlib 使用 GPU支持進行安裝（可選）
如果你這樣做有一個兼容CUDA的GPU可以安裝 dlib 與GPU的支持，使得面部識別速度更快，效率更高。
爲此，我建議 您從源代碼安裝 dlib，因爲您可以更好地控制構建
1
2
3
45
67
89
$ workon # optional
$ git clone https://github.com/davisking/dlib.git
$ cd dlib
$ mkdir build
$ cd build
$ cmake … -DDLIB_USE_CUDA=1 -DUSE_AVX_INSTRUCTIONS=1
$ cmake --build .
$ cd …
$ python setup.py install --yes USE_AVX_INSTRUCTIONS --yes DLIB_USE_CUDA
安裝face_recognition包
所述face_recognition模塊是通過一個簡單的PIP命令安裝
1
2 $ workon # optional
$ pip install face_recognition
安裝 imutils
你還需要我的便利功能包，imutils。您可以通過pip在Python虛擬環境中安裝它
1
2 $ workon # optional
$ pip install imutils
我們的人臉識別數據集
圖2：使用Python和Bing Image Search API以編程方式創建了一個示例人臉識別數據集。顯示了侏羅紀公園電影系列中的六個角色。
由於侏羅紀公園 （1993）是我有史以來最喜歡的電影，爲了紀念侏羅紀世界：墮落王國 （2018年）本週五在美國發行，我們將對電影中角色的樣本進行人臉識別。 ：
艾倫·格蘭特，古生物學家（22圖像）
克萊爾·迪林，園區運營管理（53張圖片）
Ellie Sattler，古植物學家（31圖像）
伊恩馬爾科姆，數學家（41圖像）
約翰哈蒙德，商人/侏羅紀公園所有者 （36張圖片）
Owen Grady，恐龍研究員（35圖像）
使用我的如何（快速）構建深度學習圖像數據集 教程中討論的方法，在<30分鐘內構建此數據集。 鑑於此圖像數據集，我們將：
爲數據集中的每個面創建128-d嵌入
使用這些嵌入來識別圖像和視頻流中字符的面部
人臉識別項目結構
通過檢查tree 命令的輸出可以看到我們的項目結構
我們的項目有4個頂級目錄：
dataset / ：包含基於各自名稱組織到子目錄中的六個字符的面部圖像。
examples / ：有三個用於測試的圖像不在數據集中。
output / ：您可以在此處存儲已處理的面部識別視頻。我的一個文件夾 – 來自原侏羅紀公園電影的經典“午餐場景” 。
videos / ：輸入視頻應存儲在此文件夾中。此文件夾還包含“午餐場景”視頻，但尚未經過人臉識別系統。
我們在根目錄中還有 6個文件：
search_bing_api .py ：第1步是建立一個數據集（我已經爲你完成了這個）。要了解如何使用Bing API使用我的腳本構建數據集，請參閱此博客文章。
encode_faces .py ：使用此腳本構建面部的編碼（128-d向量）。
recognize_faces_image.py ：識別單個圖像面（根據編碼從數據集）。
recognize_faces_video.py ：識別人臉從您的網絡攝像頭和輸出視頻的實時視頻流。
recognize_faces_video_file.py ：識別人臉在駐留在磁盤上並輸出所處理的視頻到硬盤的視頻文件。我今天不會討論這個文件，因爲框架來自與視頻流文件相同的骨架。
encodings .pickle ：面部識別編碼是通過 encode_faces .py從數據集生成的 ，然後序列化存儲磁盤。
在創建圖像數據集（使用 search_bing_api .py ）之後，我們將運行 encode_faces .py 來構建嵌入。
從那裏，我們將運行識別腳本來實際識別面部。
使用OpenCV和深度學習對面部進行編碼
圖3：通過深度學習的面部識別和使用face_recognition 模塊方法的Python 生成每面的128-d實值數字特徵向量。
在我們識別圖像和視頻中的面部之前，我們首先需要量化訓練集中的面部。請記住，我們實際上並沒有在這裏訓練網絡 – 網絡已經過訓練，可以在大約300萬張圖像的數據集上創建128-d嵌入。
我們當然可以從頭開始訓練網絡，甚至可以微調現有模型的權重，但這很可能對許多項目來說都是過度殺傷力。此外，您需要大量圖像來從頭開始訓練網絡。
相反，使用預先訓練的網絡更容易，然後使用它爲我們的數據集中的218個面中的每一個構建128-d嵌入。
然後，在分類過程中，我們可以使用簡單的k-NN模型+ votes 來進行最終的人臉分類。其他傳統的機器學習模型也可以在這裏使用。
要構建我們的面部嵌入，請 從與此博客帖子相關聯的“下載”中打開 encode_faces .py
首先，我們需要導入所需的包。再次注意，此腳本需要安裝 imutils ， face_recognition 和OpenCV。向上滾動到“ 安裝您的面部識別庫”，以確保您的庫已準備就緒。
讓我們處理在運行時使用 argparse處理的命令行參數
如果您是PyImageSearch的新手，請允許我將您的注意力轉移到上面的代碼塊，當您閱讀更多我的博客文章時，您會對此熟悉。我們使用 argparse 來解析命令行參數。在命令行中運行Python程序時，可以在不離開終端的情況下向腳本提供其他信息。 第10-17行不需要修改，因爲它們解析來自終端的輸入。如果這些行看起來不熟悉，請查看我關於命令行參數的博文。
讓我們列出參數標誌並討論它們：
– dataset ：我們數據集的路徑（我們使用上週博客文章的方法＃2中 描述的search_bing_api .py創建了一個數據集 ）。
– encodings ：我們的面部編碼被寫入該參數所指向的文件中。
– encodings ：在我們對圖像中的面部進行編碼之前 ，我們首先需要檢測它們。或者兩種面部檢測方法包括 hog 或 cnn 。這兩個標誌是唯一適用於 – 檢測- 方法的標誌 。
現在我們已經定義了參數，讓我們抓住數據集中文件的路徑（以及執行兩次初始化）
第21行使用輸入數據集目錄的路徑來構建 其中包含的所有imagePath的列表 。
我們還需要在循環之前初始化兩個列表， knownEncodings 和 knownNames 。這兩個列表將包含數據集中每個人的面部編碼和相應的名稱（第24和25行）。
現在是時候開始循環我們的侏羅紀公園角色面孔了！
該循環將循環218次，對應於數據集中的218個面部圖像。我們循環到第28行的每個圖像的路徑 。
從那裏，我們將 在第32行 從imagePath中提取人物 的 名稱（因爲我們的子目錄被恰當地命名） 。
然後讓我們 在將imagePath傳遞 給 cv2的同時 加載 圖像。imread （第36行）。
OpenCV在BGR中訂購顏色通道，但 dlib 實際上需要RGB。該 face_recognition 模塊使用 dlib，所以我們開始之前，讓我們交換的色彩空間上的 37號線，命名新的圖像 RGB 。
接下來，讓我們本地化面部和計算編碼
這是腳本的有趣部分！
對於循環的每次迭代，我們將檢測一個面（或可能是多個面並假設它是圖像的多個位置中的同一個人 – 這個假設在您自己的圖像中可能或可能不成立，所以要小心這裏）。
例如，假設 rgb 包含Ellie Sattler臉部的圖片。
第41和42行實際上找到/本地化她的面部，從而產生一個面部框列表 。我們將兩個參數傳遞給face_recognition 。face_locations 方法：
rgb ：我們的RGB圖像。
model ： cnn 或 hog （此值包含在與 “detection_method” 鍵關聯的命令行參數字典中 ）。CNN方法更準確但更慢。HOG更快但準確度更低。
然後，我們將把 Ellie Sattler臉部的邊界 框變成45行的128個數字列表 。這被稱爲將面部編碼爲矢量, face_recognition 。face_encodings 方法爲我們處理它。
從那裏我們只需要將Ellie Sattler 編碼 和 名稱附加 到適當的列表（ knownEncodings 和knownNames ）。
我們將繼續爲數據集中的所有218個圖像執行此操作。
除非我們可以 在另一個處理識別的腳本中使用編碼，否則編碼圖像的重點是什麼 ？
現在讓我們來處理
第56行構造了一個帶有兩個鍵的字典 – “編碼” 和 “名稱” 。
從那裏 57-59號線將名稱和編碼轉儲到磁盤上以備將來召回。
我該如何 在終端中運行 encode_faces .py腳本？
要創建面部嵌入，請打開終端並執行以下命令
1 $ python encode_faces.py --dataset dataset --encodings encodings.pickle
從輸出中可以看出，我們現在有一個名爲encodings.pickle 文件 – 此文件包含數據集中每個面的128維面嵌入。
在我的Titan X GPU上，處理整個數據集只花了一分多鐘，但如果您使用的是CPU，請 準備好等待一段時間才能完成此腳本！
在我的Macbook Pro（無GPU）上，編碼218張圖片需要 21分20秒。
如果您擁有GPU並使用GPU支持編譯dlib，您應該期望更快的速度。
識別圖像中的面孔
圖4：使用Adam Geitgey的深度學習face_recognitionPython模塊識別John Hammond的臉。
現在我們已經爲數據集中的每個圖像創建了128維面嵌入，現在我們可以使用OpenCV，Python和深度學習來識別圖像中的面部。
打開 recognize_faces_image .py （從這個博客帖子 “下載” 相關的文件和圖像數據)
此腳本在第2-5行只需要四次導入 。該 face_recognition 模塊將做繁重和OpenCV將幫助我們來加載，轉換和顯示處理後的圖像。
我們將在第8-15行解析三個命令行參數 ：
– encodings ：包含我們的面部編碼的pickle文件的路徑。
– image ：這是正在進行面部識別的圖像。
– detection-method ：你現在應該熟悉這個 – 我們要麼 根據系統的能力使用 hog 或 cnn方法。對於速度，選擇 hog 要準確，選擇 cnn 。
重要！ 如果你是：
在CPU上運行面部識別代碼
或者你使用 Raspberry Pi
……你要設置 –detection-method 爲 hog, 作爲CNN臉檢測器（1）不具有GPU和（2）的樹莓派將沒有足夠的內存來運行任意的CNN緩慢。
從那裏，讓我們加載預先計算的編碼+面部名稱，然後爲輸入圖像構建128維面部編碼
第19行從磁盤加載我們的醃製編碼和麪名。我們稍後將在實際的面部識別步驟中需要這些數據。
然後，在 第22行和第23行，我們加載並將輸入圖像轉換 爲 rgb 顏色通道排序（就像我們在encode_faces .py 腳本中所做的 那樣）。
然後我們繼續檢測輸入圖像中的所有面，並 在 第29-31行計算它們的128-d 編碼（這些線也應該看起來很熟悉）。
現在是初始化 檢測到的每個面的名稱列表的好時機 – 該列表將在下一步填充。
接下來，讓我們循環遍歷面部 編碼
在 第37行，我們開始循環從輸入圖像計算的面部編碼。
然後面部識別魔法發生了！
我們嘗試 使用face_recognition. ompare_faces 將輸入圖像（編碼 ）中的每個面匹配 到我們已知的編碼數據集（保存在 data[“encodings”] 中）(第40和41行）。
此函數返回True / False 值列表， 每個圖像對應一個數據集。對於我們的侏羅紀公園示例，數據集中有218個圖像，因此返回的列表將具有218個布爾值。
在內部， compare_faces 函數計算候選嵌入與數據集中所有面之間的歐幾里德距離：
如果距離低於某個公差（公差越小，我們的面部識別系統就越嚴格），那麼我們返回True ，表示面部匹配。
否則，如果距離高於容差閾值，則返回 False， 因爲面不匹配。
基本上，我們正在使用“更花哨的” k-NN模型進行分類。請務必參考compare_faces實現以獲取更多詳細信息。
該 變量將最終持有人的姓名串-現在，我們把它作爲 “未知” 的情況下有沒有“票”（42號線）。
根據我們的 匹配 列表，我們可以計算每個名稱的“投票數”（ 與每個名稱相關聯的真值的數量 ），計算投票數，並選擇具有最多相應投票的人名
如果匹配中有任何 True 投票 （第45行），我們需要確定這些True 值 匹配的位置 的索引 。我們在第49行上就是這樣做的 ，我們構造了一個簡單的matchedIdx列表， 對於example_01 .png可能看起來像這樣
1
(Pdb) matchedIdxs[35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 71, 72, 73, 74, 75]
然後我們初始化一個名爲counts的字典 ，它將字符名稱作爲 鍵 票數作爲 值（第50行）。
從那裏開始，讓我們遍歷 matchesIdxs 並設置與每個名稱相關聯的值，同時根據需要遞增 計數 。該 計數 字典可能是這樣的一個高投得分爲伊恩·馬爾科姆
1 (Pdb) counts{‘ian_malcolm’: 40}
回想一下，我們在數據集中只有41張Ian圖片，因此對於其他任何人而言沒有投票的40分是非常高的。
第61行從計數中提取得票最多的名稱 ，在這種情況下，它將是 “ian_malcolm” 。
我們的循環的第二次迭代（因爲在我們的示例圖像中有兩個面）主面部編碼循環產生以下計數
1 (Pdb) counts{‘alan_grant’: 5}
這絕對是一個較小的投票得分，但仍然，字典中只有一個名字所以我們可能找到了Alan Grant。
注意： PDB Python調試器用於驗證計數 字典的值 。PDB的使用超出了本篇博文的範圍; 但是，您可以在Python文檔頁面上發現如何使用它。
如 下面的圖5 所示，Ian Malcolm和Alan Grant都已被正確識別，因此腳本的這一部分運行良好。
讓我們繼續並循環遍歷每個人的邊界框和標記名稱，並在輸出圖像上繪製它們以進行可視化
在第67行，我們開始在檢測到的面部邊界框和預測名稱上循環。要創建一個可迭代對象，以便我們可以輕鬆遍歷值，我們調用zip（框，名稱），從而生成元組，我們可以從中提取框座標和名稱。我們使用框座標在第69行上繪製一個綠色矩形。我們還使用座標來計算我們應該在哪裏繪製人名的文本（第70行），然後在圖像上實際放置名稱文本（第71和72行） ）。如果面部邊界框位於圖像的最頂部，我們需要將文本移動到框頂部下方（在第70行處理），否則文本將被截斷。然後我們繼續顯示圖像，直到按下一個鍵（第75和76行）。你應該如何運行面部識別Python腳本？使用您的終端，首先使用workon命令確保您在各自的Python正確的虛擬環境中（當然，如果您使用的是虛擬環境）。然後運行腳本，同時至少提供兩個命令行參數。如果您選擇使用HoG方法，請務必同時傳遞–detection-method hog（否則它將默認爲深度學習檢測器）。
我們去吧！
要使用OpenCV和Python識別面部，請打開終端並執行我們的腳本
1
$ python recognize_faces_image.py --encodings encodings.pickle \ --image examples/example_01.png
Figure 5: Alan Grant and Ian Malcom’s faces are recognized using our Python + OpenCV + deep learning method.
第二個例子
12 $ python recognize_faces_image.py --encodings encodings.pickle \ --image examples/example_03.png
Figure 6: Face recognition with OpenCV and Python.
識別視頻中的面孔
圖7：通過Python，OpenCV和深度學習在視頻中進行面部識別。
既然我們已經對圖像應用了人臉識別，那麼我們也可以對視頻進行人臉識別（實時）。
重要性能注意： 如果您正在使用GPU，則只能實時使用CNN人臉識別器（您可以將其與CPU一起使用，但期望小於0.5 FPS，這會導致視頻不穩定）。或者（您使用的是CPU），您應該使用HoG方法（甚至是未來博客文章中介紹的OpenCV Haar級聯）並期望足夠的速度。
下面的腳本與以前 recognize_faces_image.py 腳本 有許多相似之處 。因此，我將輕鬆略過已經涵蓋的內容，只需查看視頻組件，以便了解正在發生的事情
我們在第2-8行導入包，然後繼續解析第11-20行的命令行參數。
我們有四個命令行參數，其中兩個你應該從上面識別（–encodings和–detection-method）。 另外兩個 參數 是：
–output：輸出視頻的路徑。
–display：一個標誌，指示腳本將幀顯示在屏幕上。 值1顯示，值0不顯示輸出幀到我們的屏幕。
從那裏我們將加載我們的編碼並啓動我們的VideoStream：
要訪問我們的相機，我們正在使用imutils的VideoStream類。 第29行啓動流。 如果系統上有多個攝像頭（例如內置網絡攝像頭和外部USB攝像頭），則可以將src = 0更改爲src = 1，依此類推。
我們可以選擇將處理後的視頻幀寫入磁盤，因此我們將writer初始化 爲 None （第30行）。睡眠2秒鐘可使我們的相機預熱（第31行）。
從那裏我們將開始一個 while 循環並開始抓取並處理幀
我們的循環從第34行開始，我們採取的第一步是從視頻流中獲取一個幀（第36行）。
上述代碼塊中的剩餘行40-50幾乎與前一個腳本中的行相同，只是這是視頻幀而不是靜態圖像。基本上我們讀取 幀 ，預處理，然後檢測面邊界 框 +計算 每個邊界框的編碼。
接下來，讓我們循環遍歷 與我們剛剛找到的面部相關的面部 編碼
在這個代碼塊中，我們遍歷每個 編碼 並嘗試匹配面部。如果找到匹配項，我們會計算數據集中每個名稱的投票數。然後，我們提取最高投票數，這是與面部相關聯的名稱。這些行 與我們前面提到的腳本相同，所以讓我們繼續。
在下一個塊中，我們在已識別的面上循環，然後圍繞面部繪製一個框，並在面部上方繪製人物的顯示名稱
這些行也是相同的，所以讓我們關注視頻相關代碼。
或者，我們將把幀寫入磁盤，讓我們看看如何使用OpenCV將視頻寫入磁盤：
假設我們在命令行參數中提供了輸出文件路徑，並且我們尚未初始化視頻編寫器（第99行），讓我們繼續並初始化它。
在第100行，我們初始化VideoWriter_fourcc。 FourCC是一個4字符的代碼，在我們的例子中，我們將使用“MJPG”4字符代碼。
從那裏，我們將該對象與我們的輸出文件路徑，每秒幀數目標和幀尺寸（第101和102行）一起傳遞到VideoWriter中。
最後，如果編寫器存在，我們可以繼續將幀寫入磁盤（第106-107行）。
讓我們來處理是否應該在屏幕上顯示人臉識別視頻幀
如果我們的顯示命令行參數已設置，我們繼續顯示框架（第112行）並檢查是否已按下退出鍵（“q”）（第113-116行），此時我們將突破 循環（第117行）。
最後，讓我們履行我們的內務管理職責
在 第120-125行中，我們清理並釋放顯示器，視頻流和視頻編寫器。
你準備好看腳本了嗎？
要演示使用OpenCV和Python實時進行人臉識別，請打開終端並執行以下命令
123 $ python recognize_faces_video.py --encodings encodings.pickle \ --output output/webcam_face_recognition_output.avi --display
視頻文件中的人臉識
此文件與我們剛剛爲網絡攝像頭查看的文件基本相同，但它會採用輸入視頻文件並生成輸出視頻文件（如果您願意）。
我將人臉識別代碼應用於最初的侏羅紀公園電影中的流行“午餐場景”，演員坐在桌子旁，分享他們對公園的關注
123 $ python recognize_faces_video_file.py –encodings encodings.pickle \ –input videos/lunch_scene.mp4 –output output/lunch_scene_output.avi \ –display
注意： 回想一下，我們的模型是由原始演員的四名成員訓練的：Alan Grant，Ellie Sattler，Ian Malcolm和John Hammond。該模型 沒有接受Donald Gennaro（律師）的培訓，這就是爲什麼他的臉被標記爲“未知”。這種行爲是設計（不是偶然），以表明我們的面部識別系統可以識別它所訓練的面部，同時留下它無法識別爲“未知”的面部。
在下面的視頻中，我將侏羅紀公園和侏羅紀世界剪輯的“精彩卷軸”放在一起，主要來自預告片：
我們可以看到，我們可以看到，我們的人臉識別和OpenCV代碼運行良好！
我可以在Raspberry Pi上使用這個面部識別器代碼嗎？
可以。但是有一些限制：
Raspberry Pi沒有足夠的內存來使用更準確的基於CNN的人臉檢測器……
……所以我們僅限於HOG
除了HOG在Pi上用於實時人臉檢測的速度太慢……
…所以我們需要利用OpenCV的Haar級聯
一旦你運行它，你只能期望1-2 FPS，甚至達到FPS的水平需要一些技巧。
好消息是我將在下週回來討論如何在Raspberry Pi上運行我的人臉識別器，敬請期待！
摘要
在本教程中，您學習瞭如何使用OpenCV，Python和深度學習進行人臉識別。
此外，我們使用了Davis King的 dlib庫 和Adam Geitgey的face_recognition模塊 ，該模塊包含了dlib的深度度量學習，使面部識別更容易實現。
我們發現，我們的面部識別實現是：
準確
能夠使用GPU實時執行
我希望你喜歡今天關於人臉識別的博客文章！
安裝OpenCV。可以參考我的教程 pip 安裝 opencv
代碼下載
請看 這篇文章 https://hotdog29.com/?p=620
我希望你喜歡今天關於OpenCV人臉識別的教程！
文章轉自 Adrian Rosebrock ，OpenCV Face Recognition，PyImageSearch，https://www.pyimagesearch.com/2018/09/24/opencv-face-recognition/,2009年7月6日訪問
相關文章
代碼下載
OpenCV 人臉識別 源代碼
文本檢測 OpenCV EAST文本檢測器 源代碼
YOLO 對象檢測 OpenCV 源代碼
OpenCV教程 ，資源和指南
張貼在技術博客、opencv標籤：opencv、人臉識別、深度學習、dlib、python編輯