当前位置：首页 > news >正文

潍城区住房和城乡建设局网站网站怎么做中英文交互

news 2025/10/22 15:38:32

潍城区住房和城乡建设局网站,网站怎么做中英文交互,上海保洁服务网站建设,网站seo源码引言在当今数字化时代，人脸识别技术已经广泛应用于各个领域，如安防监控、门禁系统、人脸支付等。Python 中有许多强大的库可以帮助我们实现人脸识别功能，其中 face_recognition 库以其简单易用和高效的特点受到了广大开发者的喜爱。本文将详…

引言

在当今数字化时代，人脸识别技术已经广泛应用于各个领域，如安防监控、门禁系统、人脸支付等。Python 中有许多强大的库可以帮助我们实现人脸识别功能，其中 face_recognition 库以其简单易用和高效的特点受到了广大开发者的喜爱。本文将详细介绍如何使用 face_recognition 库提取人脸嵌入向量，并基于这些向量进行人脸识别。

项目背景

face_recognition号称是世界上最简单的开源人脸识别库，可以通过Python或命令行识别和操作人脸。face_recognition提供了十分完整的技术文档和应用实例，人脸识别初学者建议研究该库上手。face_recognition的官方代码仓库为：face_recognition。face_recognition也有自己的官方中文文档，该文档详情见：face_recognition中文使用说明。

face_recognition中的人脸识别模型来自开源的机器学习库Dlib，Dlib的官方代码仓库见：dlib。大部分模型用Labeled Faces in the Wild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。Labeled Faces in the Wild是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。该数据集算是一个非常小型的人脸数据集。

总体而言这个项目的人脸识别模型是基于成年人的，在孩子身上效果可能会一般，如果需要更多了解请参考博客：
[深度学习] Python人脸识别库face_recognition使用教程_人脸识别,特征库-CSDN博客

假设我们有一个包含大量人脸图片的文件夹，我们希望对这些图片进行处理，提取每张图片中的人脸嵌入向量，并将处理后的图片和嵌入向量保存下来。同时，如果在处理过程中出现错误（如未检测到人脸、无法提取嵌入向量等），需要记录相应的错误信息。

实现步骤

1. 环境准备

首先，我们需要安装所需的库。可以使用以下命令进行安装：

pip install opencv-python
pip install face_recognition
pip install tqdm

这些库分别用于图像处理、人脸检测和特征提取以及进度条显示。

2. 代码实现

import os
import cv2
import time
import face_recognition
import shutil
import pickle
from tqdm import tqdm# 输入文件夹路径
input_folder = input("请输入输入文件夹的路径: ")
# 输出文件夹路径
output_folder = input("请输入输出文件夹的路径: ")
# 错误日志文件路径
error_file = os.path.join(output_folder, "error.txt")
# 嵌入向量保存文件路径
embeddings_file = os.path.join(output_folder, "face_embeddings.pkl")# 创建输出文件夹
if not os.path.exists(output_folder):os.makedirs(output_folder)# 用于保存图片 ID 和对应嵌入向量的字典
face_embeddings = {}# 检查嵌入向量文件是否存在，如果存在则加载已有数据
if os.path.exists(embeddings_file):with open(embeddings_file, "rb") as f:face_embeddings = pickle.load(f)# 获取已经处理过的图片 ID
processed_ids = set(face_embeddings.keys())# 获取输入文件夹中的图片文件列表
image_files = [filename for filename in os.listdir(input_folder) if filename.lower().endswith(('.png', '.jpg', '.jpeg'))]# 过滤掉已经处理过的图片
unprocessed_files = [filename for filename in image_files if os.path.splitext(filename)[0] not in processed_ids]def process_image(filename):image_path = os.path.join(input_folder, filename)img_id = os.path.splitext(filename)[0]  # 获取图片的唯一 IDtry:start_time = time.time()# 读取图片img = cv2.imread(image_path)# 使用更高效的人脸检测模型（可选）# 这里使用 'hog' 模型，速度相对较快，但精度可能略低face_locations = face_recognition.face_locations(img, model='hog')print(f"\n正在处理 {filename}: 检测到的人脸数量 ==> {len(face_locations)}")if len(face_locations) == 0:with open(error_file, "a") as error_log:error_log.write(f"{img_id}: No face detected.\n")return None# 提取人脸嵌入向量face_encodings = face_recognition.face_encodings(img, face_locations)if len(face_encodings) == 0:with open(error_file, "a") as error_log:error_log.write(f"{img_id}: Failed to extract face embeddings.\n")return None# 复制原始图片到输出文件夹output_path = os.path.join(output_folder, filename)shutil.copyfile(image_path, output_path)print(f"{filename} 的人脸识别检测时间: {time.time() - start_time:.2f} 秒")return img_id, face_encodingsexcept Exception as e:with open(error_file, "a") as error_log:error_log.write(f"{img_id}: Error occurred - {str(e)}\n")return None# 处理未处理的图片
for filename in tqdm(unprocessed_files, desc="正在处理图片", unit="张"):result = process_image(filename)if result is not None:img_id, face_encodings = resultface_embeddings[img_id] = face_encodings# 将嵌入向量字典保存到文件
with open(embeddings_file, "wb") as f:pickle.dump(face_embeddings, f)print("处理完成。")