Python如何搭建人臉識別考勤系統(tǒng)

這篇文章給大家分享的是有關(guān)Python如何搭建人臉識別考勤系統(tǒng)的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，一起跟隨小編過來看看吧。

人臉識別的實(shí)際應(yīng)用

人臉識別目前正被用于讓世界更安全、更智能、更方便。

有幾個(gè)用例：

• 尋找失蹤人員

• 零售犯罪

• 安全標(biāo)識

• 識別社交媒體上的帳戶

• 考勤系統(tǒng)

• 識別汽車中的駕駛員

根據(jù)性能和復(fù)雜性，有多種方法可以執(zhí)行面部識別。

傳統(tǒng)人臉識別算法：

在 1990 年代，整體方法被用于人臉識別。手工制作的局部描述符在 1920 年代初期開始流行，然后在 2000 年代后期采用局部特征學(xué)習(xí)方法。目前廣泛使用并在OpenCV中實(shí)現(xiàn)的算法如下：

• Eigenfaces (1991)

• Local Binary Patterns Histograms (LBPH) (1996)

• Fisherfaces(1997)

• Scale Invariant Feature Transform (SIFT) (1999)

• Speed Up Robust Features (SURF)(2006)

每種方法都遵循不同的方法來提取圖像信息并將其與輸入圖像進(jìn)行匹配。

Fischer-faces和Eigenfaces與 SURF 和 SIFT 具有幾乎相似的方法。

LBPH 是一種簡單但非常有效的方法，但與現(xiàn)代人臉識別器相比，速度較慢。

與現(xiàn)代人臉識別算法相比，這些算法并不快。傳統(tǒng)算法不能僅通過拍攝一個(gè)人的單張照片來訓(xùn)練。

人臉識別深度學(xué)習(xí)：

一些廣泛使用的基于深度學(xué)習(xí)的人臉識別系統(tǒng)如下：

• DeepFace

• DeepID series of systems

• VGGFace

• FaceNet

人臉識別器一般是在人臉圖像中找出重要的點(diǎn)，如嘴角、眉毛、眼睛、鼻子、嘴唇等。這些點(diǎn)的坐標(biāo)稱為五官點(diǎn)，這樣的點(diǎn)有66個(gè)。這樣，尋找特征點(diǎn)的不同技術(shù)給出不同的結(jié)果。

來源：https://www.pinterest.com/mrmosherart/face-landmarks/

人臉識別模型涉及的步驟:

1.人臉檢測：定位人臉并在人臉周圍繪制邊界框并保留邊界框的坐標(biāo)。

2.人臉對齊：標(biāo)準(zhǔn)化人臉以與訓(xùn)練數(shù)據(jù)庫一致。

3.特征提?。禾崛⒂糜谟?xùn)練和識別任務(wù)的人臉特征。

4.人臉識別： 將人臉與準(zhǔn)備好的數(shù)據(jù)庫中的一張或多張已知人臉進(jìn)行匹配。

在傳統(tǒng)的人臉識別方法中，我們有單獨(dú)的模塊來執(zhí)行這 4 個(gè)步驟。在本文中，你將看到一個(gè)將這 4 個(gè)步驟組合在一個(gè)步驟中的庫。

構(gòu)建人臉識別系統(tǒng)的步驟

安裝庫

我們需要安裝 2 個(gè)庫來實(shí)現(xiàn)人臉識別。

dlib ： dlib是一個(gè)現(xiàn)代 C++ 工具包，包含機(jī)器學(xué)習(xí)算法和工具，用于在 C++ 中創(chuàng)建復(fù)雜的軟件以解決實(shí)際問題。

# installing dlib 
pip install dlib

臉部識別：將face_recognition庫，創(chuàng)建和維護(hù) Adam Geitgey，包含了dlib人臉識別功能。

# installing face recognition
pip install face recognition

Opencv 用于一些圖像預(yù)處理。

# installing opencv 
pip install opencv

導(dǎo)入庫

現(xiàn)在你已經(jīng)下載了所有重要的庫，讓我們導(dǎo)入它們來構(gòu)建系統(tǒng)。

import cv2
import numpy as np
import face_recognition

加載圖像

導(dǎo)入庫后，你需要加載圖像。

face_recognition 庫以 BGR 的形式加載圖像，為了打印圖像，你應(yīng)該使用 OpenCV 將其轉(zhuǎn)換為 RGB。

imgelon_bgr = face_recognition.load_image_file('elon.jpg')
imgelon_rgb = cv2.cvtColor(imgelon_bgr,cv2.COLOR_BGR2RGB)
cv2.imshow('bgr', imgelon_bgr)
cv2.imshow('rgb', imgelon_rgb)
cv2.waitKey(0)

如你所見，RGB 看起來很自然，因此你將始終把通道更改為 RGB。

查找人臉位置并繪制邊界框

你需要在人臉周圍繪制一個(gè)邊界框，以顯示是否已檢測到人臉。

imgelon =face_recognition.load_image_file('elon.jpg')
imgelon = cv2.cvtColor(imgelon,cv2.COLOR_BGR2RGB)
#----------Finding face Location for drawing bounding boxes-------
face = face_recognition.face_locations(imgelon_rgb)[0]
copy = imgelon.copy()
#-------------------Drawing the Rectangle-------------------------
cv2.rectangle(copy, (face[3], face[0]),(face[1], face[2]), (255,0,255), 2)
cv2.imshow('copy', copy)
cv2.imshow('elon',imgelon)
cv2.waitKey(0)

為人臉識別訓(xùn)練圖像

該庫的制作方式是自動查找人臉并僅處理人臉，因此你無需從圖片中裁剪人臉。

訓(xùn)練：

在這個(gè)階段，我們將訓(xùn)練圖像轉(zhuǎn)換為一些編碼，并使用該圖像的人名存儲編碼。

train_elon_encodings = face_recognition.face_encodings(imgelon)[0]

測試：

為了測試，我們加載圖像并將其轉(zhuǎn)換為編碼，然后在訓(xùn)練期間將編碼與存儲的編碼進(jìn)行匹配，這種匹配基于尋找最大相似度。當(dāng)你找到與測試圖像匹配的編碼時(shí)，你將獲得與訓(xùn)練編碼相關(guān)聯(lián)的名稱。

# lets test an image
test = face_recognition.load_image_file('elon_2.jpg')
test = cv2.cvtColor(test, cv2.COLOR_BGR2RGB)
test_encode = face_recognition.face_encodings(test)[0]
print(face_recognition.compare_faces([train_encode],test_encode))

face_recognition.compare_faces，如果兩個(gè)圖像中的人相同，返回True，否則返回False。

構(gòu)建人臉識別系統(tǒng)

導(dǎo)入必要的庫

import cv2
import face_recognition
import os
import numpy as np
from datetime import datetime
import pickle

定義將存儲訓(xùn)練圖像數(shù)據(jù)集的文件夾路徑

path = 'student_images'

注意：對于訓(xùn)練，我們只需要將訓(xùn)練圖片放到path目錄下，圖片名稱必須是person_name.jpg/jpeg格式。

例如：

正如你在我的 student_images 路徑中看到的，有 6 個(gè)人。因此我們的模型只能識別這 6 個(gè)人。你可以在此目錄中添加更多圖片，以便更多人識別

現(xiàn)在創(chuàng)建一個(gè)列表來存儲 person_name 和圖像數(shù)組。

遍歷path目錄中存在的所有圖像文件，讀取圖像，并將圖像數(shù)組附加到圖像列表，并將文件名附加到classNames。

images = []
classNames = []mylist = os.listdir(path)
for cl in mylist:
    curImg = cv2.imread(f'{path}/{cl}')
    images.append(curImg)
    classNames.append(os.path.splitext(cl)[0])

創(chuàng)建一個(gè)函數(shù)來對所有訓(xùn)練圖像進(jìn)行編碼并將它們存儲在一個(gè)變量encoding_face_train 中。

def findEncodings(images):
    encodeList = []
    for img in images:
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        encoded_face = face_recognition.face_encodings(img)[0]
        encodeList.append(encoded_face)
    return encodeList
encoded_face_train = findEncodings(images)

創(chuàng)建一個(gè)函數(shù)，該函數(shù)將創(chuàng)建一個(gè)Attendance.csv文件來存儲考勤時(shí)間。

注意：這里需要手動創(chuàng)建Attendance.csv文件并在函數(shù)中給出路徑

def markAttendance(name):
    with open('Attendance.csv','r+') as f:
        myDataList = f.readlines()
        nameList = []
        for line in myDataList:
            entry = line.split(',')
            nameList.append(entry[0])
        if name not in nameList:
            now = datetime.now()
            time = now.strftime('%I:%M:%S:%p')
            date = now.strftime('%d-%B-%Y')
            f.writelines(f'n{name}, {time}, {date}')

我們首先檢查出席者的名字是否已經(jīng)在attenting .csv中可用。

如果出席者的名字在attends.csv中不可用，我們將在函數(shù)調(diào)用的時(shí)間中寫入出席者的名字。

閱讀網(wǎng)絡(luò)攝像頭進(jìn)行實(shí)時(shí)識別

# take pictures from webcam 
cap  = cv2.VideoCapture(0)while True:
    success, img = cap.read()
    imgS = cv2.resize(img, (0,0), None, 0.25,0.25)
    imgS = cv2.cvtColor(imgS, cv2.COLOR_BGR2RGB)
    faces_in_frame = face_recognition.face_locations(imgS)
    encoded_faces = face_recognition.face_encodings(imgS, faces_in_frame)for encode_face, faceloc in zip(encoded_faces,faces_in_frame):
        matches = face_recognition.compare_faces(encoded_face_train, encode_face)
        faceDist = face_recognition.face_distance(encoded_face_train, encode_face)
        matchIndex = np.argmin(faceDist)
        print(matchIndex)
        if matches[matchIndex]:
            name = classNames[matchIndex].upper().lower()
            y1,x2,y2,x1 = faceloc
            # since we scaled down by 4 times
            y1, x2,y2,x1 = y1*4,x2*4,y2*4,x1*4
            cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)
            cv2.rectangle(img, (x1,y2-35),(x2,y2), (0,255,0), cv2.FILLED)
            cv2.putText(img,name, (x1+6,y2-5), cv2.FONT_HERSHEY_COMPLEX,1,(255,255,255),2)
            markAttendance(name)
    cv2.imshow('webcam', img)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

僅將識別部分的圖像大小調(diào)整為 1/4。輸出幀將是原始大小。

調(diào)整大小可提高每秒幀數(shù)。

face_recognition.face_locations()在調(diào)整大小的圖像（imgS）上被調(diào)用。對于人臉邊界框坐標(biāo)必須乘以 4 才能覆蓋在輸出幀上。

**face_recognition.distance()**返回測試圖像的距離數(shù)組，其中包含我們訓(xùn)練目錄中存在的所有圖像。

最小人臉距離的索引將是匹配的人臉。

找到匹配的名稱后，我們調(diào)用markAttendance函數(shù)。

使用**cv2.rectangle()**繪制邊界框。

我們使用**cv2.putText()**將匹配的名稱放在輸出幀上。

考勤報(bào)告

人臉識別系統(tǒng)面臨的挑戰(zhàn)

盡管構(gòu)建面部識別看起來很容易，但在沒有任何限制的情況下拍攝的現(xiàn)實(shí)世界圖像中卻并不容易。面部識別系統(tǒng)面臨的幾個(gè)挑戰(zhàn)如下：

**照明：**它極大地改變了面部外觀，觀察到照明條件的輕微變化對其結(jié)果產(chǎn)生重大影響。

**姿勢：**面部識別系統(tǒng)對姿勢高度敏感，如果數(shù)據(jù)庫僅在正面視圖上進(jìn)行訓(xùn)練，可能會導(dǎo)致識別錯(cuò)誤或無法識別。

面部表情：同一個(gè)人的不同表情是另一個(gè)需要考慮的重要因素。不過，現(xiàn)代識別器可以輕松處理它。

低分辨率：識別器的訓(xùn)練必須在分辨率好的圖片上進(jìn)行，否則模型將無法提取特征。

**老化：**隨著年齡的增長，人臉的形狀、線條、紋理變化是另一個(gè)挑戰(zhàn)。

感謝各位的閱讀！關(guān)于“Python如何搭建人臉識別考勤系統(tǒng)”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學(xué)到更多知識，如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！