基于Python+Keras+OpenCV实现实时人脸活体检测 | 文末送书
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了基于Python+Keras+OpenCV实现实时人脸活体检测 | 文末送书，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含9518字，纯文字阅读大概需要14分钟。
内容图文
你在互联网上找到的大多数人脸识别算法和研究论文都会遭受照片***。这些方法在检测和识别来自网络摄像头的图像、视频和视频流中的人脸方面是非常有效，但是他们无法区分现实生活中的面孔和照片上的面孔。这种无法区别现实人脸的现象是由于这些算法是在二维帧上工作的。
现在让我们去试想一下，我们实现一个人脸识别系统，该系统可以很好地区分已知面孔和未知面孔，以便只有授权人员才能访问，尽管如此，一个心怀不轨的人只要出示授权人的照片也能访问。至此一个3D人脸的识别系统，类似于苹果的FaceID，应运而生了，但如果我们没有3D探测器该怎么办呢？
本文的目标是实现一种基于眨眼检测的人脸活体检测算法，以抵抗照片***。该算法通过网络摄像头实时工作，通过检测眨眼来区分现实生活中的面孔和照片上的面孔。通俗地说，程序运行如下：
- 在网络摄像头生成的每个帧中检测人脸。
- 对于每个检测到的脸，检测眼睛。
- 对于每个检测到的眼睛，检测眼睛是否睁开或关闭。
- 如果在某个时候检测到眼睛是睁开的，然后是闭着的，然后是睁开的，我们就断定此人已经眨了眼睛，并且程序显示他的名字（如果是人脸识别开门器，我们将授权此人进入）。
对于人脸的检测和识别，你需要安装face_recognition库，它提供了非常有用的深度学习方法来查找和识别图像中的人脸，特别是，face_locations、face_encodings和compare_faces函数是最有用的3个函数。人脸定位方法可以用两种方法来检测人脸：方向梯度直方图（HoG）和卷积神经网络（CNN），由于时间限制，选择了HoG方法。
face_encodings函数是一个预先训练的卷积神经网络，能够将图像编码成128哥元素的一维特征向量，这个嵌入向量包含足够的特征信息来区分两个不同的人，最后，compare_faces计算两个嵌入向量之间的距离。它将允许算法识别从摄像头帧中提取的人脸，并将其嵌入向量与我们数据集中所有编码的人脸进行比较，距离最近的向量对应于同一个人。
1. 已知人脸数据集编码
在我的例子中，算法能够识别我和奥巴马，我为每个人挑选了大约10张照片。下面是处理和编码已知人脸数据库的代码。
def process_and_encode(images):
known_encodings = []
known_names = []
print("[LOG] Encoding dataset ...")
for image_path in tqdm(images):
# 加载图片
image = cv2.imread(image_path)
# 将其从BGR转换为RGB
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 检测图像中的脸并获取其位置（方框坐标）
boxes = face_recognition.face_locations(image, model='hog')
# 将人脸编码为128维嵌入向量
encoding = face_recognition.face_encodings(image, boxes)
# 人物名称是图像来源文件夹的名称
name = image_path.split(os.path.sep)[-2]
if len(encoding) > 0 :
known_encodings.append(encoding[0])
known_names.append(name)
return {"encodings": known_encodings, "names": known_names}
现在我们知道了每个想识别的人的编码，我们可以尝试通过网络摄像头识别人脸，然而，在转到这一部分之前，我们需要区分一张人脸照片和一张活人的脸。
**2.人脸活体检测**
我们的目标是在某个点上检测出一个睁闭的睁眼模式。我训练了一个卷积神经网络来分类眼睛是闭着的还是睁着的，所选择的模型是LeNet-5，它已经在Closed Eyes In The Wild (CEW)数据集上进行了训练，它由大约4800张24x24大小的眼睛图像组成。
Closed Eyes In The Wild (CEW)数据集地址：
* http://parnec.nuaa.edu.cn/xtan/data/ClosedEyeDatabases.html
from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import AveragePooling2D
from keras.layers import Flatten
from keras.layers import Dense
from keras.preprocessing.image import ImageDataGenerator
IMG_SIZE = 24
def train(train_generator, val_generator):
STEP_SIZE_TRAIN=train_generator.n//train_generator.batch_size
STEP_SIZE_VALID=val_generator.n//val_generator.batch_size
model = Sequential()
model.add(Conv2D(filters=6, kernel_size=(3, 3), activation='relu', input_shape=(IMG_SIZE,IMG_SIZE,1)))
model.add(AveragePooling2D())
model.add(Conv2D(filters=16, kernel_size=(3, 3), activation='relu'))
model.add(AveragePooling2D())
model.add(Flatten())
model.add(Dense(units=120, activation='relu'))
model.add(Dense(units=84, activation='relu'))
model.add(Dense(units=1, activation = 'sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print('[LOG] Training CNN')
model.fit_generator(generator=train_generator,
steps_per_epoch=STEP_SIZE_TRAIN,
validation_data=val_generator,
validation_steps=STEP_SIZE_VALID,
epochs=20
)return model
在评估模型时，我达到了94%的准确率。
每次我们检测到一只眼睛，我们就用我们的模型来预测它的状态，并跟踪每个人的眼睛状态，因此，检测眨眼变得非常容易，它试图在眼睛状态历史中找到一个闭眼-睁眼-闭眼的过程。def isBlinking(history, maxFrames):
""" @history: A string containing the history of eyes status
where a '1' means that the eyes were closed and '0' open.
@maxFrames: The maximal number of successive frames where an eye is closed """
for i in range(maxFrames):
pattern = '1' + '0'*(i+1) + '1'
if pattern in history:
return True
return False
**3.活体的人脸识别**
我们几乎拥有了建立“真实”人脸识别算法的所有要素，我们只需要一种实时检测人脸和眼睛的方法。我使用openCV预先训练的Haar级联分类器来完成这些任务。有关Haar cascade人脸和眼睛检测的更多信息，我强烈建议你阅读openCV的这篇强大的文章。
* https://docs.opencv.org/3.4.3/d7/d8b/tutorial_py_face_detection.html
* def detect_and_display(model, video_capture, face_detector, open_eyes_detector, left_eye_detector, right_eye_detector, data, eyes_detected):
frame = video_capture.read()
调整框架大小
frame = cv2.resize(frame, (0, 0), fx=0.6, fy=0.6)
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
# 检测人脸
faces = face_detector.detectMultiScale(
gray,
scaleFactor=1.2,
minNeighbors=5,
minSize=(50, 50),
flags=cv2.CASCADE_SCALE_IMAGE
)
# 对于每个检测到的脸
for (x,y,w,h) in faces:
# 将人脸编码为128维嵌入向量
encoding = face_recognition.face_encodings(rgb, [(y, x+w, y+h, x)])[0]
# 将向量与所有已知的人脸编码进行比较
matches = face_recognition.compare_faces(data["encodings"], encoding)
# 目前我们不知道该人的名字
name = "Unknown"
# 如果至少有一次匹配:
if True in matches:
matchedIdxs = [i for (i, b) in enumerate(matches) if b]
counts = {}
for i in matchedIdxs:
name = data["names"][i]
counts[name] = counts.get(name, 0) + 1
# 匹配次数最多的已知编码对应于检测到的人脸名称
name = max(counts, key=counts.get)
face = frame[y:y+h,x:x+w]
gray_face = gray[y:y+h,x:x+w]
eyes = []
# 眼睛检测
# 首先检查眼睛是否睁开（考虑到眼镜）
open_eyes_glasses = open_eyes_detector.detectMultiScale(
gray_face,
scaleFactor=1.1,
minNeighbors=5,
minSize=(30, 30),
flags = cv2.CASCADE_SCALE_IMAGE
)
# 如果open_eyes_glasses检测到眼睛，则眼睛睁开
if len(open_eyes_glasses) == 2:
eyes_detected[name]+='1'
for (ex,ey,ew,eh) in open_eyes_glasses:
cv2.rectangle(face,(ex,ey),(ex+ew,ey+eh),(0,255,0),2)
# 否则尝试使用left和right_eye_detector检测眼睛
# 以检测到睁开和闭合的眼睛
else:
# 将脸分成左右两边
left_face = frame[y:y+h, x+int(w/2):x+w]
left_face_gray = gray[y:y+h, x+int(w/2):x+w]
right_face = frame[y:y+h, x:x+int(w/2)]
right_face_gray = gray[y:y+h, x:x+int(w/2)]
# 检测左眼
left_eye = left_eye_detector.detectMultiScale(
left_face_gray,
scaleFactor=1.1,
minNeighbors=5,
minSize=(30, 30),
flags = cv2.CASCADE_SCALE_IMAGE
)
# 检测右眼
right_eye = right_eye_detector.detectMultiScale(
right_face_gray,
scaleFactor=1.1,
minNeighbors=5,
minSize=(30, 30),
flags = cv2.CASCADE_SCALE_IMAGE
)
eye_status = '1' # we suppose the eyes are open
# 检查每只眼睛是否闭合。
# 如果有人闭着眼睛，我们得出结论是闭着眼睛
for (ex,ey,ew,eh) in right_eye:
color = (0,255,0)
pred = predict(right_face[ey:ey+eh,ex:ex+ew],model)
if pred == 'closed':
eye_status='0'
color = (0,0,255)
cv2.rectangle(right_face,(ex,ey),(ex+ew,ey+eh),color,2)
for (ex,ey,ew,eh) in left_eye:
color = (0,255,0)
pred = predict(left_face[ey:ey+eh,ex:ex+ew],model)
if pred == 'closed':
eye_status='0'
color = (0,0,255)
cv2.rectangle(left_face,(ex,ey),(ex+ew,ey+eh),color,2)
eyes_detected[name] += eye_status
# 每次，我们都会检查该人是否眨眼
# 如果是，我们显示其名字
if isBlinking(eyes_detected[name],3):
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
# 显示名字
y = y - 15 if y - 15 > 15 else y + 15
cv2.putText(frame, name, (x, y), cv2.FONT_HERSHEY_SIMPLEX,0.75, (0, 255, 0), 2)
return frame
上面的功能是用于检测和识别真实人脸的代码，它接受以下参数：
* model：我们的睁眼/闭眼分类器
* video_capture：流视频
* face_detector：Haar级联的人脸分类器。我使用了haarcascade_frontalface_alt.xml
* open_eyes_detector：Haar级联睁眼分类器。我使用了haarcascade_eye_tree_eyeglasses.xml
* left_eye_detector：Haar级联的左眼分类器。我使用了haarcascade_lefteye_2splits.xml，它可以检测睁眼或闭眼。
* right_eye_detector：Haar级联的右眼分类器。我使用了haarcascade_righteye_2splits.xml，它可以检测睁眼或闭眼。
* data：已知编码和已知名称的字典
* eyes_detected：包含每个名称的眼睛状态历史记录的字典。
在第2-4行，我们从网络摄像头流中获取一个帧，然后调整其大小以加快计算速度。
在第10行，我们从帧中检测人脸，然后在第21行，我们将其编码为128-d矢量。
在第23-38行，我们将这个向量与已知的人脸编码进行比较，并通过计算匹配的次数来确定此人的姓名，选择匹配次数最多的一个。
从第45行开始，我们试着探测眼睛进入人脸框。
首先，我们尝试用睁眼检测器来检测睁眼，如果探测器探测成功，则在第54行，将“1”添加到眼睛状态历史记录中，这意味着眼睛是睁开的，因为睁开的眼睛探测器无法检测到闭着的眼睛；否则，如果第一个分类器失败（可能是因为眼睛是闭着的，或者仅仅是因为它不能识别眼睛），则使用左眼和右眼检测器，人脸被分为左右两侧，以便对各个探测器进行分类。
从第92行开始，提取眼睛部分，训练后的模型预测眼睛是否闭合，如果检测到一只眼睛闭着，则两眼都将被预测为闭着，并将“0”添加到眼睛状态历史记录中；否则就可以断定眼睛是睁开的。
最后，在第110行，is blinking()函数用于检测眨眼，如果该人眨眼，则显示姓名。整个代码都可以在我的github帐户上找到。
* 我的github帐户
* https://github.com/Guarouba/face_rec
使用眨眼检测功能阻止照片***的演示视频:https://youtu.be/arQN6w0fZw8
**参考文献**
* https://docs.opencv.org/3.4.3/d7/d8b/tutorial_py_face_detection.html
* https://www.pyimagesearch.com/2018/06/18/face-recognition-with-opencv-python-and-deep-learning/
原文链接：https://towardsdatascience.com/real-time-face-liveness-detection-with-python-keras-and-opencv-c35dc70dafd3内容总结
以上是互联网集市为您收集整理的基于Python+Keras+OpenCV实现实时人脸活体检测 | 文末送书全部内容，希望文章能够帮你解决基于Python+Keras+OpenCV实现实时人脸活体检测 | 文末送书所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。