（中职）Python编程基础与应用电子课件人工智能库的应用

1、正版课件 内容可修改（中职）Python编程基础与应用电子课件人工智能库的应用人工智能库的应用主讲：Python编程基础与应用配套课件+contents目录face_recognition 的安装和简介案例：人脸识别学生考勤系统face_recognition 的安装和简介01face_recognition的简介项目face_recognition是一个强大、简单、易上手的人脸识别开源项目，并且配备了完整的开发文档和应用案例。据项目的官方文档说明，本项目是世界上最简洁的人脸识别库之一，你可以使用Python和命令行工具提取、识别、操作人脸。该项目的人脸识别是基于业内领先的C+开源库 dlib

2、中的深度学习模型，用Labeled Faces in the Wild（美国麻省大学安姆斯特分校（University of Massachusetts Amherst)制作的人脸数据集，该数据集包含了从网络收集的13,000多张面部图像。）人脸数据集进行测试，有高达99.38%的准确率。但对小孩和亚洲人脸的识别准确率尚待提升。有关它的更多介绍请访问英文网站https:/face-recognition.readthedocs.io/。安装face_recognition它的安装方法很简单，可以直接使用PIP进行安装。但它有依赖环境，在安装时可能会出错。如果在Windows操作系统下安装fac

3、e_recognition失败，可以按以下顺序检查：1）如果你本机没有安装vistual studio，就先下载安装vistual studio 2012或以上版本，并在安装选项中增加C+库的支持。在微软官网（/zh-hans/）下载新版本的vistual studio。2）如果提示cmake没安装，请先安装它。pip install cmake安装face_recognition3）如果提示dlib没安装，请先安装它。pip install dlib4）以上环境准备好后，再安装face_recognition。pip install face_recognitionface_recognit

4、ion的API简介1）batch_face_locations()人脸定位 使用CNN深度学习模型返回图像中人脸边界框的二维数组。如果您使用的是GPU，由于GPU可以一次处理一批图像，因此可以更快地获得结果。如果您不使用GPU，则不需要此功能。语法举例：batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)参数：images 表示图片列表（每个图片为一个numpy数组）。number_of_times_to_upsample 表示对图像进行脸部上采样的次数。数字越大，面孔越小。batch_size

5、表示每个GPU处理批次中要包含多少个图像。face_recognition的API简介2）face_locations()人脸定位 利用CNN深度学习模型或方向梯度直方图（Histogram of Oriented Gradient, HOG）进行人脸提取。返回值是一个数组(top, right, bottom, left)表示人脸所在边框的四条边的位置。语法举例：face_locations(img, number_of_times_to_upsample=1, model=hog)它的功能与batch_face_locations()类似。它的前2个参数相同，后面的model表示要使用的人

6、脸检测模型，主要有两个模型“hog”和“cnn”。“ hog”准确性较低，但在CPU上速度更快。“cnn”是经过GPU / CUDA加速（如果可用）的更准确的深度学习模型。默认值为“hog”。face_recognition的API简介3）compare_faces()人脸比对将面部编码列表与候选编码进行比较，以查看它们是否匹配。语法举例：compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)参数：known_face_encodings 表示已知人脸的特征向量。face_encoding_to_ch

7、eck 表示未知人脸的特征向量。Tolerance是容忍度，认为相匹配的面孔之间的距离有多大。越低越严格，0.6是典型的最佳性能。face_recognition的API简介4）face_distance()人脸特征向量距离给定面部编码列表，将它们与已知的面部编码进行比较，并获得每个比较面部的欧几里得距离。距离告诉您面孔的相似程度。语法举例：face_distance(face_encodings, face_to_compare) 参数：face_encodings表示已知人脸的特征向量。face_to_compare 表示未知人脸的特征向量。face_recognition的API简介5）

8、face_encodings()人脸解码输入一张图片后，生成一个128维的特征向量，这是 人脸识别的依据。语法举例：face_encodings(face_image, known_face_locations=None, num_jitters=1, model=small)参数：face_image 表示包含一个或多个面部的图像。known_face_locations 是可选项，项目每个面的边界框。num_jitters 表示计算编码时对面部重新采样的次数。越高越准确，但越慢（即100慢100倍）。model是可选项，为“large”或“small”。它表示使用哪种模型，它默认仅返回5点

9、，但速度更快。face_recognition的API简介6）face_landmarks()脸特征提取给定图像，返回图像中每个面部的面部特征位置（眼睛，鼻子等）的决定。语法举例：face_landmarks(face_image, face_locations=None, model=large)参数：face_image 表示要搜索的图像。face_locations这个是默认值，默认解码图片中的每一个人脸。若输入face_locations()i可指定人脸进行解码。model是可选项，为“large”或“small”。face_recognition的API简介7）load_image_

10、file()加载图像文件它能将图像文件（.jpg，.png等）加载到numpy数组中。语法举例：load_image_file(file, mode=RGB)参数：file表示图像文件名或要加载的文件对象。mode表示将图像转换成的格式。仅支持“ RGB”（8位RGB，3通道）和“ L”（黑白）。范例11-13定位图片中所有人脸，并自动生成人脸图片保存在本地给出学生图片student.jpg，自动识别出图片中的人脸。原图效果如图所示。说明：出于印刷和版权的考虑，素材中的人像图片都后期加了马赛克，原图并没有马赛克。范例11-13定位图片中所有人脸，并自动生成人脸图片保存在本地代码范例11-13定

11、位图片中所有人脸，并自动生成人脸图片保存在本地代码范例11-13定位图片中所有人脸，并自动生成人脸图片保存在本地经检查，它已经自动生成文件夹“student-img”，并在它里面自动生成4个人脸图片，范例11-14识别图片人物有两张图片，一张是已知人物，另一张是未知人物。现进行人脸识别，判断未知人物是不是本人。范例11-14识别图片人物代码范例11-14识别图片人物图片请读者自动选用。本案例选用的图片如图所示，执行后结果会正确体现出来。试一试更多的范例，可参考/ageitgey/face_recognition/tree/master/examples来完成。比如：1人脸定位案例：定位某人的脸

12、案例：使用卷积神经网络深度学习模型定位某人的脸案例：使用卷积神经网络深度学习模型批量识别图片中的人脸案例：把来自网络摄像头视频里的人脸高斯模糊（需安装OpenCV）试一试2人脸关键点识别案例：提取 用户A和用户B的面部关键点案例：给某人涂美妆试一试3人脸识别案例：是用户A还是用户B？案例：人脸识别之后在原图上画框框并标注姓名案例：在不同精度上比较两个人脸是否属于一个人案例：从摄像头获取视频进行人脸识别-较慢版（需安装OpenCV）案例：从摄像头获取视频进行人脸识别-较快版（需安装OpenCV）案例：从视频文件中识别人脸并把识别结果输出为新的视频文件（需安装OpenCV）案例：通过浏览器HTTP

13、访问网络服务器进行人脸识别（需安装Flask框架）)案例：基于K最近邻KNN分类算法进行人脸识别案例：人脸识别学生考勤系统03案例描述考勤制度是对学生的学习和生活进行管理的有效措施，而考勤系统是否完善是决定考勤制度实施程度的关键因素。目前，很多学校教师的考勤依旧沿袭着手工操作的模式，导致学校考勤机制难以发挥应有的效率。在此背景下，开发一款具备实时性和高效性的考勤系统，借助“平安校园”的数据平台，构建以人脸识别为技术支撑的学生考勤管理系统。该系统可以有效记录自动签到和查询签到，可以利用校园网络的服务器将学生端的考勤数据进行上传，而且考勤数据的动态管理和查看完全可以通过管理账号来实现。本案例只要求

14、实现部分功能：考勤时会使用第三软件拍摄好学生的一张或者数张图片，然后让本系统去做人脸识别，如果学生与人脸识别库的信息一致，则表明学生正常来上课没有缺勤，如果比对的信息不一致，则记录为缺勤。案例分析1）对班级每一个学生都采集相片，每个相片图像只有一个学生的头像信息。图片文件放在“known”文件夹中。采集相片技术不在本案例讨论范围内。如图所示，一共有4位学生。案例分析2）使用第三方软件抓拍到课室上课的学生集体照片一张，如果学生人从过多，可以从不同角度拍摄数张。抓拍技术不在本案例讨论范围内。如图所示，在本次测试数据中，我们使用了“学生考勤照片1.jpg”图片，它有5位学生，但是有2位不是本班的学生。案例分析3）从指定的图片路径，获取图片名称和学生姓名。4）遍历获取已知学生的人脸编码。5）读取拍摄的考勤相片，获取未知学生的人脸编码。6）进行人脸对比，看那些学生按时来上课。7）生成人脸对比结果，把数据汇总并显示出来。它用到的技术点有以下几方面： 获取文件名os.listdir()，构造完整文件路径os.path.join(path, i)，去除图片文件名的后缀list.split(.)0，使用for和while进行循环遍历，使用face_recognition.load_image_file（）加载图片，使用face_recognition.face_encodings进