python人臉識別-----基於Ubuntu16.04的Python3+Dlib+Opencv實現人臉識別及攝像頭人臉檢測

在人工智能的深入學習中，我們逐漸進入人臉識別的算法學習，當然，這也是嵌入式領域需要着手解決的問題，本次博客，林君學長講帶大家瞭解如何在Ubuntu16.04系統上面，通過python3+dlib實現基礎人臉識別和筆記本攝像頭的人臉檢測，一起看步驟吧！

• Ubuntu版本：UbuntuKylin-16.04
• Python版本：python3.5

一、skimage及opencv-python庫的安裝

1、skimage庫的安裝

1）、安裝skimage庫所需要的依賴庫

sudo apt-get install python-numpy
sudo apt-get install python-scipy
sudo apt-get install python-matplotlib

以上的庫，只是爲了skimage庫的安裝做準備，當然，後續我們也會用到這些庫
2）、安裝skimage庫

sudo pip3 install scikit-image

2、opencv-python庫的安裝

sudo pip3 install opencv-python

通過以上步驟，我們的skimage庫以及opencv-python庫就安裝好了，接下來，我們進行人臉識別庫的安裝吧！

二、face_recognition的下載及安裝

face_recognition庫是進行人臉識別重要的庫，所以然而，該庫除了一些必要的依賴之外，最重要的就是他會下載dlib庫，通過dlib可以進行人臉識別和檢測，

1、安裝相關依賴

sudo apt-get install build-essential cmake
sudo apt-get install libgtk-3-dev
sudo apt-get install libboost-all-dev

林君學長之前安裝過所以顯示如上圖，小夥伴按照上面安裝就好！

2、pip3的安裝、升級及換源

由於Ubuntu自帶版本是python2.7和python3.5，因此，pip對應是python2.7，而pip3對應的則是python3.5，本次我們需要的python環境是python3，因此，我們需要進行的pip3的安裝
1）、pip3的安裝

 sudo apt-get install python3-pip

以上安裝方法安裝的pip3是老版本的，是pip8點幾，所以我們需要進行pip3的升級
2）、pip3的升級

sudo pip3 install --upgrade pip

3）、查看pip3的版本

pip -V

4）、切換pip3爲國內源
爲了加快下載速度，我們需要對pip3進行換源，加快我們其他庫的下載速度

mkdir ~/.pip
touch ~/.pip/pip.conf
sudo gedit ~/.pip/pip.conf 

文件內容寫爲如下清華園就好：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
trusted-host = pypi.tuna.tsinghua.edu.cn

到這裏，我們pip3的安裝就完成了，接下來，我們需要的就是face_recognition的下載啦：

3、face_recognition的下載

1）、通過https://pypi.douban.com/simple/ 網站下載，不能夠直接下載，否則不會下載成功

pip3 install -i https://pypi.douban.com/simple/ face_recognition

該庫會幫助我們下載numpy、sc在人工智能的深入學習中，我們逐漸進入人臉識別的算法學習，當然，這也是嵌入式領域需要着手解決的問題，本次博客，林君學長講帶大家瞭解如何在Ubuntu16.04系統上面，通過python3+dlib實現基礎人臉識別和筆記本攝像頭的人臉檢測，一起看步驟吧！

• Ubuntu版本：UbuntuKylin-16.04 - Python版本：python3.5# 一、face_recognition的下載及安裝face_recognition庫是進行人臉識別重要的庫，所以然而，該庫除了一些必要的依賴之外，最重要的就是他會下載dlib庫，通過dlib可以進行人臉識別和檢測，## 1、安裝相關依賴bashsudo apt-get install build-essential cmakesudo apt-get install libgtk-3-devsudo apt-get install libboost-all-dev林君學長之前安裝過所以顯示如上圖，小夥伴按照上面安裝就好！## 2、pip3的安裝由於Ubuntu自帶版本是python2.7和python3.5，因此，pip對應是python2.7，而pip3對應的則是python3.5，本次我們需要的python環境是python3，因此，我們需要進行的pip3的安裝1）、pip3的安裝bash sudo apt-get install python3-pip以上安裝方法安裝的pip3是老版本的，是pip8點幾，所以我們需要進行pip3的升級2）、pip3的升級bashsudo pip3 install --upgrade pip3）、查看pip3的版本bashpip -V4）、切換pip3爲國內源爲了加快下載速度，我們需要對pip3進行換源，加快我們其他庫的下載速度bashmkdir ~/.piptouch ~/.pip/pip.confsudo gedit ~/.pip/pip.conf文件內容寫爲如下清華園就好：bash[global]index-url = https://pypi.tuna.tsinghua.edu.cn/simpletrusted-host = pypi.tuna.tsinghua.edu.cn到這裏，我們pip3的安裝就完成了，接下來，我們需要的就是face_recognition的下載啦：## 3、face_recognition的下載1）、通過https://pypi.douban.com/simple/ 網站下載，不能夠直接下載，否則不會下載成功bashpip3 install -i https://pypi.douban.com/simple/ face_recognition該庫會幫助我們下載numpy、scipy、dlib以及pillow庫，因此，下載時間會久一點，但由於我們換源，所以不會太久，唯一等待過久的就是dlib下載後，他會自動進行編譯，這需要耗費一點時間，我們等待dlib編譯完成就好

通過以上步驟，我們的face_recognition人臉識別包就安裝好了，接下來，我們進行其他相關庫的安裝吧！

4、擴展

1）、以上安裝的重點其實是對dlib庫的安裝，其他庫下載比較簡單，這裏林君學長給出dlib的另一種安裝方法，當以上安裝出錯的時候，我們不妨試一下以下方法進行dlib源碼編譯
2）、dlib源碼包的下載

git clone https://github.com/davisking/dlib.git 

3）、dlib源碼包的編譯

cd dlib 
mkdir build
cd build
cmake ..
cmake --build .

編譯出現百分百就可以成功了哦！
4）、當然，除了dlib有源碼包之外，face_recognition也有源碼，可以下載編譯後安裝，但是不推薦該庫的此種安裝方法，因爲下載得實在是太慢了

pip3 install -i https://pypi.douban.com/simple/ face_recognition

下載巨慢，以上的方法已經可以解決本次的問題了哦！

三、實現基礎人臉識別

1、項目創建及數據準備

1）、創建項目
在自己喜歡的位置創建一個項目文件夾，用於存放，我們編寫的python代碼及數據,以林君學長自己的爲準，小夥伴們自己創建就好

cd ~/lenovo
mkdir python人臉識別
cd python人臉識別

2）、dlib的68點模型，使用網絡上大神訓練好的特徵預測器

該數據就是以上的face.dat模型，林君學長已經將該模型上傳到csdn我的資源模塊，小夥伴可以通過如下鏈接進行下載：
https://download.csdn.net/download/qq_42451251/12525399
3）、人臉準備

對於人臉的選取，百度圖片可以解決一切，隨便百度一張漂亮的夏普姐姐就好！數據準備完成，全部放在我們創建的目錄下哦，接下來我們就開始

2、基礎人臉識別python代碼

在項目中創建基礎人臉識別的python文件faceDetection.py，並打開，寫入代碼：

touch faceDetection.py
gedit faceDetection.py

1）、導入基本庫

import sys
sys.path.remove('/opt/ros/kinetic/lib/python2.7/dist-packages')
import cv2
import dlib
from skimage import io

sys.path.remove(’/opt/ros/kinetic/lib/python2.7/dist-packages’) 該句代碼是因爲林君學長Ubuntu16.04上安裝過ROS，而ROS默認設置的爲python2.7，所以，我們首先需要將ROS設置的python2.7的路徑移除，才能繼續使用我們python3.5！

提示：sys.path.remove(’/opt/ros/kinetic/lib/python2.7/dist-packages’)代碼一定要放在import cv2之前
2）、dlib圖像設置

# 使用特徵提取器get_frontal_face_detector
detector = dlib.get_frontal_face_detector()
# dlib的68點模型，使用作者訓練好的特徵預測器
predictor = dlib.shape_predictor("face.dat")
# 圖片所在路徑
img = io.imread("my.jpg")
# 生成dlib的圖像窗口
win = dlib.image_window()
win.clear_overlay()
win.set_image(img)
 
# 特徵提取器的實例化
dets = detector(img, 1)

3）、人臉識別結果展示及終端打印識別結果

print("人臉數：", len(dets))
 
for k, d in enumerate(dets):
    print("第", k + 1, "個人臉d的座標：",
          "left:", d.left(),
          "right:", d.right(),
          "top:", d.top(),
          "bottom:", d.bottom())
 
    width = d.right() - d.left()
    heigth = d.bottom() - d.top()
 
    print('人臉面積爲：', (width * heigth))
 
    # 利用預測器預測
    shape = predictor(img, d)
    # 標出68個點的位置
    for i in range(68):
        cv2.circle(img, (shape.part(i).x, shape.part(i).y), 4, (0, 255, 0), -1, 8)
        cv2.putText(img, str(i), (shape.part(i).x, shape.part(i).y), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255))
    # 顯示一下處理的圖片，然後銷燬窗口
    cv2.imshow('face', img)

3、人臉識別結果

1）、運行faceDetection.py代碼

python3 faceDetection.py

2）、運行結果如下所示：

4、整體python代碼

import sys
sys.path.remove('/opt/ros/kinetic/lib/python2.7/dist-packages')
import cv2
import dlib
from skimage import io
# 使用特徵提取器get_frontal_face_detector
detector = dlib.get_frontal_face_detector()
# dlib的68點模型，使用作者訓練好的特徵預測器
predictor = dlib.shape_predictor("face.dat")
# 圖片所在路徑
img = io.imread("my.jpg")
# 生成dlib的圖像窗口
win = dlib.image_window()
win.clear_overlay()
win.set_image(img)
 
# 特徵提取器的實例化
dets = detector(img, 1)
print("人臉數：", len(dets))
 
for k, d in enumerate(dets):
    print("第", k + 1, "個人臉d的座標：",
          "left:", d.left(),
          "right:", d.right(),
          "top:", d.top(),
          "bottom:", d.bottom())
 
    width = d.right() - d.left()
    heigth = d.bottom() - d.top()
 
    print('人臉面積爲：', (width * heigth))
 
    # 利用預測器預測
    shape = predictor(img, d)
    # 標出68個點的位置
    for i in range(68):
        cv2.circle(img, (shape.part(i).x, shape.part(i).y), 4, (0, 255, 0), -1, 8)
        cv2.putText(img, str(i), (shape.part(i).x, shape.part(i).y), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255))
    # 顯示一下處理的圖片，然後銷燬窗口
    cv2.imshow('face', img)
    cv2.waitKey(0)

接下來，我們便可以進行攝像頭的人臉檢測了，一起來看吧！

四、實現攝像頭人臉檢測

1、攝像頭人臉檢測python代碼

在項目中創攝像頭人臉檢測的python文件face2.py，並打開，寫入代碼：

touch face2.py
gedit face2.py

1）、由於代碼中寫入註釋，所以林君學長直接給出全部代碼

"""
從視屏中識別人臉，並實時標出面部特徵點
"""
import sys
sys.path.remove('/opt/ros/kinetic/lib/python2.7/dist-packages')
import dlib  # 人臉識別的庫dlib
import numpy as np  # 數據處理的庫numpy
import cv2  # 圖像處理的庫OpenCv
 
class face_emotion():
    def __init__(self):
        # 使用特徵提取器get_frontal_face_detector
        self.detector = dlib.get_frontal_face_detector()
        # dlib的68點模型，使用作者訓練好的特徵預測器
        self.predictor = dlib.shape_predictor("face.dat")
 
        # 建cv2攝像頭對象，這裏使用電腦自帶攝像頭，如果接了外部攝像頭，則自動切換到外部攝像頭
        self.cap = cv2.VideoCapture(0)
        # 設置視頻參數，propId設置的視頻參數，value設置的參數值
        self.cap.set(3, 480)
        # 截圖screenshoot的計數器
        self.cnt = 0
 
    def learning_face(self):
 
        # 眉毛直線擬合數據緩衝
        line_brow_x = []
        line_brow_y = []
 
        # cap.isOpened（） 返回true/false 檢查初始化是否成功
        while (self.cap.isOpened()):
 
            # cap.read()
            # 返回兩個值：
            #    一個布爾值true/false，用來判斷讀取視頻是否成功/是否到視頻末尾
            #    圖像對象，圖像的三維矩陣
            flag, im_rd = self.cap.read()
 
            # 每幀數據延時1ms，延時爲0讀取的是靜態幀
            k = cv2.waitKey(1)
 
            # 取灰度
            img_gray = cv2.cvtColor(im_rd, cv2.COLOR_RGB2GRAY)
 
            # 使用人臉檢測器檢測每一幀圖像中的人臉。並返回人臉數rects
            faces = self.detector(img_gray, 0)
 
            # 待會要顯示在屏幕上的字體
            font = cv2.FONT_HERSHEY_SIMPLEX
 
            # 如果檢測到人臉
            if (len(faces) != 0):
 
                # 對每個人臉都標出68個特徵點
                for i in range(len(faces)):
                    # enumerate方法同時返回數據對象的索引和數據，k爲索引，d爲faces中的對象
                    for k, d in enumerate(faces):
                        # 用紅色矩形框出人臉
                        cv2.rectangle(im_rd, (d.left(), d.top()), (d.right(), d.bottom()), (0, 0, 255))
                        # 計算人臉熱別框邊長
                        self.face_width = d.right() - d.left()
 
                        # 使用預測器得到68點數據的座標
                        shape = self.predictor(im_rd, d)
                        # 圓圈顯示每個特徵點
                        for i in range(68):
                            cv2.circle(im_rd, (shape.part(i).x, shape.part(i).y), 2, (0, 255, 0), -1, 8)
                            # cv2.putText(im_rd, str(i), (shape.part(i).x, shape.part(i).y), cv2.FONT_HERSHEY_SIMPLEX, 0.5,
                            #            (255, 255, 255))
 
                        # 分析任意n點的位置關係來作爲表情識別的依據
                        mouth_width = (shape.part(54).x - shape.part(48).x) / self.face_width  # 嘴巴咧開程度
                        mouth_higth = (shape.part(66).y - shape.part(62).y) / self.face_width  # 嘴巴張開程度
                        # print("嘴巴寬度與識別框寬度之比：",mouth_width_arv)
                        # print("嘴巴高度與識別框高度之比：",mouth_higth_arv)
 
                        # 通過兩個眉毛上的10個特徵點，分析挑眉程度和皺眉程度
                        brow_sum = 0  # 高度之和
                        frown_sum = 0  # 兩邊眉毛距離之和
                        for j in range(17, 21):
                            brow_sum += (shape.part(j).y - d.top()) + (shape.part(j + 5).y - d.top())
                            frown_sum += shape.part(j + 5).x - shape.part(j).x
                            line_brow_x.append(shape.part(j).x)
                            line_brow_y.append(shape.part(j).y)
 
                        # self.brow_k, self.brow_d = self.fit_slr(line_brow_x, line_brow_y)  # 計算眉毛的傾斜程度
                        tempx = np.array(line_brow_x)
                        tempy = np.array(line_brow_y)
                        z1 = np.polyfit(tempx, tempy, 1)  # 擬合成一次直線
                        self.brow_k = -round(z1[0], 3)  # 擬合出曲線的斜率和實際眉毛的傾斜方向是相反的
 
                        brow_hight = (brow_sum / 10) / self.face_width  # 眉毛高度佔比
                        brow_width = (frown_sum / 5) / self.face_width  # 眉毛距離佔比
                        # print("眉毛高度與識別框高度之比：",round(brow_arv/self.face_width,3))
                        # print("眉毛間距與識別框高度之比：",round(frown_arv/self.face_width,3))
 
                        # 眼睛睜開程度
                        eye_sum = (shape.part(41).y - shape.part(37).y + shape.part(40).y - shape.part(38).y +
                                   shape.part(47).y - shape.part(43).y + shape.part(46).y - shape.part(44).y)
                        eye_hight = (eye_sum / 4) / self.face_width
                        # print("眼睛睜開距離與識別框高度之比：",round(eye_open/self.face_width,3))
 
                        # 分情況討論
                        # 張嘴，可能是開心或者驚訝
                        if round(mouth_higth >= 0.03):
                            if eye_hight >= 0.056:
                                cv2.putText(im_rd, "amazing", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX,
                                            0.8,
                                            (0, 0, 255), 2, 4)
                            else:
                                cv2.putText(im_rd, "happy", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                            (0, 0, 255), 2, 4)
 
                        # 沒有張嘴，可能是正常和生氣
                        else:
                            if self.brow_k <= -0.3:
                                cv2.putText(im_rd, "angry", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                            (0, 0, 255), 2, 4)
                            else:
                                cv2.putText(im_rd, "nature", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                                            (0, 0, 255), 2, 4)
 
                # 標出人臉數
                cv2.putText(im_rd, "Faces: " + str(len(faces)), (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)
            else:
                # 沒有檢測到人臉
                cv2.putText(im_rd, "No Face", (20, 50), font, 1, (0, 0, 255), 1, cv2.LINE_AA)
 
            # 添加說明
            im_rd = cv2.putText(im_rd, "S: screenshot", (20, 400), font, 0.8, (0, 0, 255), 1, cv2.LINE_AA)
            im_rd = cv2.putText(im_rd, "Q: quit", (20, 450), font, 0.8, (0, 0, 255), 1, cv2.LINE_AA)
 
            # 按下s鍵截圖保存
            if (k == ord('s')):
                self.cnt += 1
                cv2.imwrite("screenshoot" + str(self.cnt) + ".jpg", im_rd)
 
            # 按下q鍵退出
            if (k == ord('q')):
                break
 
            # 窗口顯示
            cv2.imshow("camera", im_rd)
 
        # 釋放攝像頭
        self.cap.release()
 
        # 刪除建立的窗口
        cv2.destroyAllWindows()
 
 
if __name__ == "__main__":
    my_face = face_emotion()
    my_face.learning_face()

2、接入筆記本的攝像頭

1）、打開ubuntu16.04，進入圖像界面後，選擇VM上面的用戶看，右擊，選擇可移動設備

上圖中是我自己的攝像頭名稱，小夥伴的可能不一樣，然後再圈圈4中點擊連接，我的是連接好的，所以顯示斷開連接，小夥伴們最開始應該是連接

3、攝像頭人臉檢測結果

1）、運行攝像頭人臉檢測python文件

python3 face2.py

2）、運行結果如下所示：
（1）、檢測到人臉

（2）、未檢測到人臉

今晚熄燈，後續給出！

S截圖保存、Q退出攝像頭人臉識別

以上就是本次博客的全部內容啦，希望小夥伴們對本次博客的閱讀可以幫助大家深入瞭解基礎人臉檢測，瞭解檢測原理，實現基本的人臉檢測的編寫
遇到問題的小夥伴記得評論區留言，林君學長看到會爲大家解答的，這個學長不太冷！
陳一月的又一天編程歲月^ _ ^