项目简介
DeepFace是一个轻量级的Python人脸识别和面部属性分析（年龄、性别、情感和种族）框架。它是一个混合人脸识别框架，包含最先进的模型：VGG-Face 、 FaceNet 、 OpenFace 、 DeepFace 、 DeepID 、 ArcFace 、 Dlib 、 SFace和GhostFaceNet 。
该框架的准确度甚至超过了人类在面部识别任务中的水平（人类识别准确率为97.53%）。
安装
安装 deepface 最简单的方法是从PyPI下载它。它将安装库本身及其先决条件。
pip install deepface或者，您也可以从其源代码安装 deepface。源代码可能具有 pip 版本中尚未发布的新功能。
git clone https://github.com/serengil/deepface.gitcd deepfacepip install -e .
安装该库后，您将能够导入它并使用其功能。
from deepface import DeepFace现代面部识别管道
现代人脸识别流程由 5 个常见阶段组成：检测、对齐、标准化、表示和验证。虽然 DeepFace 在后台处理所有这些常见阶段，但您无需深入了解其背后的所有流程。您只需使用一行代码即可调用其验证、查找或分析功能。
人脸验证
此功能可验证人脸对是同一个人还是不同人。它期望精确的图像路径作为输入。也欢迎传递 numpy 或 base64 编码图像。然后，它将返回一个字典，您应该仅检查其经过验证的密钥。
result = DeepFace.verify(img1_path = "img1.jpg",img2_path = "img2.jpg",)
人脸识别
人脸识别需要多次进行人脸验证。在这里，deepface 有一个开箱即用的查找功能来处理此操作。它将在数据库路径中查找输入图像的标识，并将返回 pandas 数据帧列表作为输出。同时，面部数据库的面部嵌入存储在pickle文件中，以便下次更快地搜索。结果将是源图像中出现的面部尺寸。此外，数据库中的目标图像也可以有多个面孔。
嵌入
人脸识别模型基本上将面部图像表示为多维向量。有时，您直接需要这些嵌入向量。DeepFace 带有专用的表示功能。表示函数返回嵌入列表。结果将是图像路径中出现的面部尺寸。
embedding_objs = DeepFace.represent(img_path = "img.jpg")
该函数返回一个数组作为嵌入。嵌入数组的大小会根据模型名称而有所不同。例如，VGG-Face 是默认模型，它将面部图像表示为 4096 维向量。
for embedding_obj in embedding_objs:embedding = embedding_obj["embedding"]assert isinstance(embedding, list)assert (model_name == "VGG-Face"and len(embedding) == 4096)
这里，嵌入也用 4096 个槽水平绘制。每个槽对应嵌入向量中的一个维度值，维度值在右侧的颜色栏中解释。与二维条形码类似，垂直尺寸在插图中不存储任何信息。
人脸识别模型
DeepFace 是一个混合人脸识别包。它目前包含许多最先进的人脸识别模型： VGG-Face 、 FaceNet 、 OpenFace 、 DeepFace 、 DeepID 、 ArcFace 、 Dlib 、 SFace和GhostFaceNet 。默认配置使用VGG-Face模型。
models = ["VGG-Face","Facenet","Facenet512","OpenFace","DeepFace","DeepID","ArcFace","Dlib","SFace","GhostFaceNet",]#face verificationresult = DeepFace.verify(img1_path = "img1.jpg",img2_path = "img2.jpg",model_name = models[0],)#face recognitiondfs = DeepFace.find(img_path = "img1.jpg",db_path = "C:/workspace/my_db",model_name = models[1],)#embeddingsembedding_objs = DeepFace.represent(img_path = "img.jpg",model_name = models[2],)
相似度
人脸识别模型是常规的卷积神经网络，它们负责将人脸表示为向量。我们期望同一个人的一对面孔应该比不同人的一对面孔更相似。
相似度可以通过不同的度量来计算，例如余弦相似度、欧几里德距离或 L2 归一化欧几里德距离。默认配置使用余弦相似度。根据实验，没有任何距离度量比其他距离度量表现更好。
metrics = ["cosine", "euclidean", "euclidean_l2"]#face verificationresult = DeepFace.verify(img1_path = "img1.jpg",img2_path = "img2.jpg",distance_metric = metrics[1],)#face recognitiondfs = DeepFace.find(img_path = "img1.jpg",db_path = "C:/workspace/my_db",distance_metric = metrics[2],)
面部属性分析
DeepFace还配备了强大的面部属性分析模块，包括age 、 gender 、 facial expression （包括愤怒、恐惧、中立、悲伤、厌恶、快乐和惊讶）和race （包括亚洲人、白人、中东人、印度人、拉丁裔和黑人）预测。结果将是源图像中出现的面部尺寸。
objs = DeepFace.analyze(img_path = "img4.jpg",actions = ['age', 'gender', 'race', 'emotion'],)
年龄模型得到±4.65 MAE；正如教程中提到的，性别模型的准确度为 97.44%，精确度为 96.29%，召回率为 95.05%。
人脸检测和对齐- Demo
人脸检测和对齐是现代人脸识别流程的重要早期阶段。实验表明，检测将人脸识别准确率提高了 42%，而对齐则将其提高了 6%。 OpenCV 、 Ssd 、 Dlib 、 MtCnn 、 Faster MtCnn 、 RetinaFace 、 MediaPipe 、 Yolo 、 YuNet和CenterFace检测器被包裹在 deepface 中。
所有 Deepface 函数都接受可选的检测器后端并对齐输入参数。您可以使用这些参数在这些检测器和对齐模式之间切换。 OpenCV 是默认检测器，默认情况下对齐处于打开状态。
项目链接
扫码加入技术交流群，备注「开发语言-城市-昵称」
合作请注明
关注「GitHubStore」公众号
