人臉識別腳本及教程
A. 有一張人臉的側臉圖像，如何用python及相關的庫來計算人臉轉過的角度。
這個很難辦到，不過可以通過判斷關鍵點的特點進行判斷，但是准確率不高
前言
很多人都認為人臉識別是一項非常難以實現的工作，看到名字就害怕，然後心懷忐忑到網上一搜，看到網上N頁的教程立馬就放棄了。這些人里包括曾經的我自己。其實如果如果你不是非要深究其中的原理，只是要實現這一工作的話，人臉識別也沒那麼難。今天我們就來看看如何在40行代碼以內簡單地實現人臉識別。
一點區分
對於大部分人來說，區分人臉檢測和人臉識別完全不是問題。但是網上有很多教程有無無意地把人臉檢測說成是人臉識別，誤導群眾，造成一些人認為二者是相同的。其實，人臉檢測解決的問題是確定一張圖上有木有人臉，而人臉識別解決的問題是這個臉是誰的。可以說人臉檢測是是人識別的前期工作。今天我們要做的是人臉識別。
所用工具
Anaconda 2——Python 2
Dlib
scikit-image
Dlib
對於今天要用到的主要工具，還是有必要多說幾句的。Dlib是基於現代C++的一個跨平台通用的框架，作者非常勤奮，一直在保持更新。Dlib內容涵蓋機器學習、圖像處理、數值演算法、數據壓縮等等，涉獵甚廣。更重要的是，Dlib的文檔非常完善，例子非常豐富。就像很多庫一樣，Dlib也提供了Python的介面，安裝非常簡單，用pip只需要一句即可：
pip install dlib
上面需要用到的scikit-image同樣只是需要這么一句：
pip install scikit-image
註：如果用pip install dlib安裝失敗的話，那安裝起來就比較麻煩了。錯誤提示很詳細，按照錯誤提示一步步走就行了。
人臉識別
之所以用Dlib來實現人臉識別，是因為它已經替我們做好了絕大部分的工作，我們只需要去調用就行了。Dlib裡面有人臉檢測器，有訓練好的人臉關鍵點檢測器，也有訓練好的人臉識別模型。今天我們主要目的是實現，而不是深究原理。感興趣的同學可以到官網查看源碼以及實現的參考文獻。今天的例子既然代碼不超過40行，其實是沒啥難度的。有難度的東西都在源碼和論文里。
首先先通過文件樹看一下今天需要用到的東西：
准備了六個候選人的圖片放在candidate-faces文件夾中，然後需要識別的人臉圖片test.jpg。我們的工作就是要檢測到test.jpg中的人臉，然後判斷她到底是候選人中的誰。另外的girl-face-rec.py是我們的python腳本。shape_predictor_68_face_landmarks.dat是已經訓練好的人臉關鍵點檢測器。dlib_face_recognition_resnet_model_v1.dat是訓練好的ResNet人臉識別模型。ResNet是何凱明在微軟的時候提出的深度殘差網路，獲得了 ImageNet 2015 冠軍，通過讓網路對殘差進行學習，在深度和精度上做到了比
CNN 更加強大。
1. 前期准備
shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat都可以在這里找到。
然後准備幾個人的人臉圖片作為候選人臉，最好是正臉。放到candidate-faces文件夾中。
本文這里准備的是六張圖片，如下：
她們分別是
然後准備四張需要識別的人臉圖像，其實一張就夠了，這里只是要看看不同的情況：
可以看到前兩張和候選文件中的本人看起來還是差別不小的，第三張是候選人中的原圖，第四張圖片微微側臉，而且右側有陰影。
2.識別流程
數據准備完畢，接下來就是代碼了。識別的大致流程是這樣的：
3.代碼
代碼不做過多解釋，因為已經注釋的非常完善了。以下是girl-face-rec.py
# -*- coding: UTF-8 -*-
import sys,os,dlib,glob,numpy
from skimage import io
if len(sys.argv) != 5:
print "請檢查參數是否正確"
exit()
# 1.人臉關鍵點檢測器
predictor_path = sys.argv[1]
# 2.人臉識別模型
face_rec_model_path = sys.argv[2]
# 3.候選人臉文件夾
faces_folder_path = sys.argv[3]
# 4.需識別的人臉
img_path = sys.argv[4]
# 1.載入正臉檢測器
detector = dlib.get_frontal_face_detector()
# 2.載入人臉關鍵點檢測器
sp = dlib.shape_predictor(predictor_path)
# 3. 載入人臉識別模型
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
# win = dlib.image_window()
# 候選人臉描述子list
descriptors = []
# 對文件夾下的每一個人臉進行:
# 1.人臉檢測
# 2.關鍵點檢測
# 3.描述子提取
for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):
print("Processing file: {}".format(f))
img = io.imread(f)
#win.clear_overlay()
#win.set_image(img)
# 1.人臉檢測
dets = detector(img, 1)
print("Number of faces detected: {}".format(len(dets)))
for k, d in enumerate(dets):
# 2.關鍵點檢測
shape = sp(img, d)
# 畫出人臉區域和和關鍵點
# win.clear_overlay()
# win.add_overlay(d)
# win.add_overlay(shape)
# 3.描述子提取，128D向量
face_descriptor = facerec.compute_face_descriptor(img, shape)
# 轉換為numpy array
v = numpy.array(face_descriptor)
descriptors.append(v)
# 對需識別人臉進行同樣處理
# 提取描述子，不再注釋
img = io.imread(img_path)
dets = detector(img, 1)
dist = []
for k, d in enumerate(dets):
shape = sp(img, d)
face_descriptor = facerec.compute_face_descriptor(img, shape)
d_test = numpy.array(face_descriptor)
# 計算歐式距離
for i in descriptors:
dist_ = numpy.linalg.norm(i-d_test)
dist.append(dist_)
# 候選人名單
candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']
# 候選人和距離組成一個dict
c_d = dict(zip(candidate,dist))
cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1])
print "\n The person is: ",cd_sorted[0][0]
dlib.hit_enter_to_continue()
4.運行結果
我們在.py所在的文件夾下打開命令行，運行如下命令
python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg
由於shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat名字實在太長，所以我把它們重命名為1.dat和2.dat。
運行結果如下：
The person is Bingbing。
記憶力不好的同學可以翻上去看看test1.jpg是誰的圖片。有興趣的話可以把四張測試圖片都運行下試試。
這里需要說明的是，前三張圖輸出結果都是非常理想的。但是第四張測試圖片的輸出結果是候選人4。對比一下兩張圖片可以很容易發現混淆的原因。
機器畢竟不是人，機器的智能還需要人來提升。
有興趣的同學可以繼續深入研究如何提升識別的准確率。比如每個人的候選圖片用多張，然後對比和每個人距離的平均值之類的。全憑自己了。
B. facenet 怎麼用來進行人臉識別
不知道你說的人臉識別是識別出來是某個人還是只是在圖像中檢測出人臉。
剛用opencv完成對自己的人臉識別，但是還需要繼續優化。說一下大致步驟吧：
1、首先就是數據的准備，你要從網路上下載一些人臉庫，後面用來訓練人臉識別模型。人臉檢測模型opencv是自帶的，但是識別模型需要自己訓練。下載人臉庫之後需要對人臉進行標記，這是一個繁瑣的工作，不過網上有腳本或者自己寫個程序簡化工作量。
2、把數據標記好之後就是opencv的事情。訓練的函數非常簡單。只有下面這三句：
1
2
3
Ptr<FaceRecognizer> model = createEigenFaceRecognizer();
model->train(images, labels);
model->save("MyFacePCAModel.xml");
3、然後打開攝像頭進行人臉檢測，就是框出人臉的位置。人臉檢測模型是opencv自帶的。
1
2
CascadeClassifier cascade;
cascade.load("haarcascade_frontalface_alt.xml");
這是載入的方法。
1
2
3
4
5
6
cascade.detectMultiScale(gray, faces,
1.1, 2, 0
//|CV_HAAR_FIND_BIGGEST_OBJECT
//|CV_HAAR_DO_ROUGH_SEARCH
| CV_HAAR_SCALE_IMAGE,
Size(30, 30));
這是檢測的方法。這里檢測得到的就是一個一個的人臉的矩形框，然後用畫矩形的方法把它們畫出來就行了。
4、然後就是對檢測到的人臉進行識別了，用我們剛才訓練好的人臉模型。載入：
1
2
Ptr<FaceRecognizer> modelPCA = createEigenFaceRecognizer();
modelPCA->load("MyFacePCAModel.xml");
檢測：
1
2
3
4
5
6
7
8
9
int predictPCA = 0;
if (face.rows >= 120)
{
resize(face, face_test, Size(92, 112));
}
if (!face_test.empty())
{
predictPCA = modelPCA->predict(face_test);
}
C. 怎麼用php調用face++做一個人臉識別系統
具體步驟如下： 首先，先登錄Face++的官網注冊賬號 注冊之後會獲取到api_secret和api_key，這些在調用介面的時候需要用到。 然後接下來的就是使用PHP腳本調用API了。 在使用PHP開發微信公共平台的時候，推薦使用Github上的一款不錯的框架
D. 人臉識別解除方法教程是什麼
游戲人臉識別解除的具體方法：
工具：蘋果手機 iPhone8
系統：iOS 13.2
1、首先打開手機QQ，點擊左上角的「QQ頭像」。
E. 如何做人臉識別
目前支付寶App只對在當前手機上用密碼登錄成功過的用戶開放人臉識別，不會出現只通過人臉信息就在新手機上登錄成功的情況。此外，人臉識別也只是支付寶多重保護中的一個環節，還有人工智慧、風控系統等對賬戶的使用情況進行安全監測以確保安全，並非所有用戶都可以使用這個功能。支付寶承諾，任何通過照片或處理過的動態照片實現了人臉登錄，導致賬戶被盜，支付寶將全額賠付。
不僅支付寶，其它擁有人臉識別驗證功能的公司也表示，利用圖像編輯軟體將靜態圖變為動態圖的方式很初級，大多數監測系統都可以防住。且在晚會上演示時，主持人是將手機屏幕對准攝像頭進行的測試，雖然肉眼看上去與真人極為相近，但系統仍可檢驗出屏幕存在的反光、紋理、變形等等，並不是簡單的模擬就能成功，用戶大可放心。
最後，小編也提示大家，照片也算是個人信息的一種，在社交平台中曬美照一定要慎重，謹防被別有用心的人利用。
那麼支付寶人臉識別是怎麼設置的呢，小編給大家帶來了詳細教程，一起來看一下。
在支付寶中，選擇「我的」頁面 > 點擊「賬戶頭像」 > 選擇「設置」 > 選擇「安全設置」 > 選擇「刷臉」 > 打開「刷臉登錄」選項後按引導拍攝臉部，只需保證光線充足，完成兩個指定動作，拍攝圖像成功即可開啟刷臉登錄。
開通後想嘗試刷臉登錄的用戶，可以進入支付寶，選擇「我的」頁面 > 點擊「賬戶頭像」 > 選擇「退出登錄」，再次登錄時就不必再輸入賬號密碼，用戶只需點個頭，就能完成刷臉登錄。
關於取消設置，在手機上打開支付寶以後，點擊底部的「我」欄目，接下來請點擊頂部自己的賬戶一欄，點擊進入，在我的信息里，點擊【設置】一欄，接著請在安全列表中，點擊【安全設置】一欄，隨後在安全設置列表中，便會看到【刷臉】功能了。值得注意的是，當前支付寶的刷臉功能是逐步開放的，如果沒有找到的話，請換個時間再來查看。然後取消刷臉登陸就可以。
F. 怎樣使用 OpenCV 進行人臉識別
1、首先就是數據的准備，你要從網路上下載一些人臉庫，後面用來訓練人臉識別模型。人臉檢測模型opencv是自帶的，但是識別模型需要自己訓練。下載人臉庫之後需要對人臉進行標記，這是一個繁瑣的工作，不過網上有腳本或者自己寫個程序簡化工作量。
2、把數據標記好之後就是opencv的事情。訓練的函數非常簡單。只有下面這三句：
Ptr<FaceRecognizer> model = createEigenFaceRecognizer();
model->train(images, labels);
model->save("MyFacePCAModel.xml");
3、然後打開攝像頭進行人臉檢測，就是框出人臉的位置。人臉檢測模型是opencv自帶的。
CascadeClassifier cascade;
cascade.load("haarcascade_frontalface_alt.xml");
這是載入的方法。
cascade.detectMultiScale(gray, faces,
1.1, 2, 0
//|CV_HAAR_FIND_BIGGEST_OBJECT
//|CV_HAAR_DO_ROUGH_SEARCH
| CV_HAAR_SCALE_IMAGE,
Size(30, 30));
這是檢測的方法。這里檢測得到的就是一個一個的人臉的矩形框，然後用畫矩形的方法把它們畫出來就行了。
4、然後就是對檢測到的人臉進行識別了，用我們剛才訓練好的人臉模型。載入：
Ptr<FaceRecognizer> modelPCA = createEigenFaceRecognizer();
modelPCA->load("MyFacePCAModel.xml");
檢測：
int predictPCA = 0;
if (face.rows >= 120)
{
resize(face, face_test, Size(92, 112));
}
if (!face_test.empty())
{
predictPCA = modelPCA->predict(face_test);
}
如果預測結果等於標記結果，說明識別正確。
大致流程就這樣了，如果你對opencv有了一定的了解，應該能看懂了。
G. 怎樣使用OpenCV進行人臉識別
不知道你說的人臉識別是識別出來是某個人還是只是在圖像中檢測出人臉。
剛用opencv完成對自己的人臉識別，但是還需要繼續優化。說一下大致步驟吧：
1、首先就是數據的准備，你要從網路上下載一些人臉庫，後面用來訓練人臉識別模型。人臉檢測模型opencv是自帶的，但是識別模型需要自己訓練。下載人臉庫之後需要對人臉進行標記，這是一個繁瑣的工作，不過網上有腳本或者自己寫個程序簡化工作量。
2、把數據標記好之後就是opencv的事情。訓練的函數非常簡單。只有下面這三句：
Ptr<FaceRecognizer>model=createEigenFaceRecognizer();
model->train(images,labels);
model->save("MyFacePCAModel.xml");
3、然後打開攝像頭進行人臉檢測，就是框出人臉的位置。人臉檢測模型是opencv自帶的。
CascadeClassifiercascade;
cascade.load("haarcascade_frontalface_alt.xml");
這是載入的方法。
cascade.detectMultiScale(gray,faces,
1.1,2,0
//|CV_HAAR_FIND_BIGGEST_OBJECT
//|CV_HAAR_DO_ROUGH_SEARCH
|CV_HAAR_SCALE_IMAGE,
Size(30,30));
這是檢測的方法。這里檢測得到的就是一個一個的人臉的矩形框，然後用畫矩形的方法把它們畫出來就行了。
4、然後就是對檢測到的人臉進行識別了，用我們剛才訓練好的人臉模型。載入：
Ptr<FaceRecognizer>modelPCA=createEigenFaceRecognizer();
modelPCA->load("MyFacePCAModel.xml");
檢測：
intpredictPCA=0;
if(face.rows>=120)
{
resize(face,face_test,Size(92,112));
}
if(!face_test.empty())
{
predictPCA=modelPCA->predict(face_test);
}
如果預測結果等於標記結果，說明識別正確。
大致流程就這樣了，如果你對opencv有了一定的了解，應該能看懂了。沒看懂只能私聊了。
第一次回答這么長，自己都有點不習慣。