python人脸提取

Ⅰ html如何调用python的opencv人脸识别

html嵌入python代码(python做人脸识别)
2022-07-31 14:19:00阅读 2300
大家好，又见面了，我是你们的朋友全栈君。

最近闲来无事，研究研究在安卓上跑Python。

想起以前玩过的kivy技术，kivy[1]是一个跨平台的UI框架。当然对我们最有用的是，kivy可以把python代码打包成安卓App。但是由于安卓打包的工具链很长，包括android sdk打包java代码、ndk编译python、 编译各种python依赖包，经常花一整天从入门到放弃。这次使出认真研究的心态，终于找到一个解决方案，于是有了这篇文章：

•只要会python就能写安卓App，无需安卓开发基础，无需编译•手机上也有交互式python解释器，直接调试python代码•可以使用各种python库，包括numpy/opencv等机器学习包•可以与安卓接口交互，使用手机硬件，比如摄像头

那么我们就以人脸识别App为例，看看如何简单几步搞定。先看看成品的效果：


第一步：安装airport.apk

AirPort是我编译好的一个安卓App，里面包含了python解释器和一些常用的python库。

第二步：连接手机的python解释器

启动手机上的AirPort应用，就会运行python解释器。我内置了一个ssh服务器，用于调试代码非常方便。应用启动时会显示手机的ip地址。


在电脑上使用ssh命令，就可以连接到手机。

注意：确保你的手机和电脑在同一局域网中。

#在电脑上连接手机，注意这里ip需要替换成AirPort显示的ipssh -p 8000 [email protected]#输入密码meteorix

然后你就可以在手机上尽情使用python了，比如试试

>>>import os>>>os.getcwd()’/data/data/org.airtest.airport/files/app’>>>import requests>>>r = requests.get(“https://www..com”)>>>r.status_code200

第三步: 一个摄像头的App

在kivy的官方文档中，我们可以找到这样一个摄像头的example[2]

代码非常简单，Builder.load_string函数加载了一段配

Ⅱ 关于python人脸识别的问题

应该是没有找到分类器编码文件，把 haarcascade_frontalface_default.xml， haarcascade_eye.xml文件放到项目根目录下，再用cv.CascadeClassifier(path1)， cv.CascadeClassifier(path2)两个API导入，另python下windows的文件路径要用 \\ 或者 /

Ⅲ 如何线上部署用python基于dlib写的人脸识别算法

python使用dlib进行人脸检测与人脸关键点标记

Dlib简介：

首先给大家介绍一下Dlib

我使用的版本是dlib-18.17,大家也可以在我这里下载：

之后进入python_examples下使用bat文件进行编译，编译需要先安装libboost-python-dev和cmake

cd to dlib-18.17/python_examples

./compile_dlib_python_mole.bat 123

之后会得到一个dlib.so，复制到dist-packages目录下即可使用

这里大家也可以直接用我编译好的.so库,但是也必须安装libboost才可以，不然python是不能调用so库的，下载地址：

将.so复制到dist-packages目录下

sudo cp dlib.so /usr/local/lib/python2.7/dist-packages/1

最新的dlib18.18好像就没有这个bat文件了，取而代之的是一个setup文件，那么安装起来应该就没有这么麻烦了，大家可以去直接安装18.18，也可以直接下载复制我的.so库，这两种方法应该都不麻烦～

有时候还会需要下面这两个库，建议大家一并安装一下

9.安装skimage

sudo apt-get install python-skimage1

10.安装imtools

sudo easy_install imtools1

Dlib face landmarks Demo

环境配置结束之后，我们首先看一下dlib提供的示例程序

1.人脸检测

dlib-18.17/python_examples/face_detector.py 源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt## This example program shows how to find frontal human faces in an image. In# particular, it shows how you can take a list of images from the command# line and display each on the screen with red boxes overlaid on each human# face.## The examples/faces folder contains some jpg images of people. You can run# this program on them and see the detections by executing the# following command:# ./face_detector.py ../examples/faces/*.jpg## This face detector is made using the now classic Histogram of Oriented# Gradients (HOG) feature combined with a linear classifier, an image# pyramid, and sliding window detection scheme. This type of object detector# is fairly general and capable of detecting many types of semi-rigid objects# in addition to human faces. Therefore, if you are interested in making# your own object detectors then read the train_object_detector.py example# program. ### COMPILING THE DLIB PYTHON INTERFACE# Dlib comes with a compiled python interface for python 2.7 on MS Windows. If# you are using another python version or operating system then you need to# compile the dlib python interface before you can use this file. To do this,# run compile_dlib_python_mole.bat. This should work on any operating# system so long as you have CMake and boost-python installed.# On Ubuntu, this can be done easily by running the command:# sudo apt-get install libboost-python-dev cmake## Also note that this example requires scikit-image which can be installed# via the command:# pip install -U scikit-image# Or downloaded from . import sys

import dlib

from skimage import io

detector = dlib.get_frontal_face_detector()

win = dlib.image_window()

print("a");for f in sys.argv[1:]:

print("a");

print("Processing file: {}".format(f))
img = io.imread(f)
# The 1 in the second argument indicates that we should upsample the image
# 1 time. This will make everything bigger and allow us to detect more
# faces.
dets = detector(img, 1)
print("Number of faces detected: {}".format(len(dets))) for i, d in enumerate(dets):
print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(
i, d.left(), d.top(), d.right(), d.bottom()))

win.clear_overlay()
win.set_image(img)
win.add_overlay(dets)
dlib.hit_enter_to_continue()# Finally, if you really want to you can ask the detector to tell you the score# for each detection. The score is bigger for more confident detections.# Also, the idx tells you which of the face sub-detectors matched. This can be# used to broadly identify faces in different orientations.if (len(sys.argv[1:]) > 0):
img = io.imread(sys.argv[1])
dets, scores, idx = detector.run(img, 1) for i, d in enumerate(dets):
print("Detection {}, score: {}, face_type:{}".format(
d, scores[i], idx[i]))5767778798081

我把源代码精简了一下，加了一下注释： face_detector0.1.py

# -*- coding: utf-8 -*-import sys

import dlib

from skimage import io#使用dlib自带的frontal_face_detector作为我们的特征提取器detector = dlib.get_frontal_face_detector()#使用dlib提供的图片窗口win = dlib.image_window()#sys.argv[]是用来获取命令行参数的，sys.argv[0]表示代码本身文件路径，所以参数从1开始向后依次获取图片路径for f in sys.argv[1:]: #输出目前处理的图片地址
print("Processing file: {}".format(f)) #使用skimage的io读取图片
img = io.imread(f) #使用detector进行人脸检测 dets为返回的结果
dets = detector(img, 1) #dets的元素个数即为脸的个数
print("Number of faces detected: {}".format(len(dets))) #使用enumerate 函数遍历序列中的元素以及它们的下标
#下标i即为人脸序号
#left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离
#top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离
for i, d in enumerate(dets):
print("dets{}".format(d))
print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}"
.format( i, d.left(), d.top(), d.right(), d.bottom())) #也可以获取比较全面的信息，如获取人脸与detector的匹配程度
dets, scores, idx = detector.run(img, 1)
for i, d in enumerate(dets):
print("Detection {}, dets{},score: {}, face_type:{}".format( i, d, scores[i], idx[i]))

#绘制图片(dlib的ui库可以直接绘制dets)
win.set_image(img)
win.add_overlay(dets) #等待点击
dlib.hit_enter_to_continue()041424344454647484950

分别测试了一个人脸的和多个人脸的，以下是运行结果：

运行的时候把图片文件路径加到后面就好了

python face_detector0.1.py ./data/3.jpg12

一张脸的：

两张脸的：

这里可以看出侧脸与detector的匹配度要比正脸小的很多

2.人脸关键点提取

人脸检测我们使用了dlib自带的人脸检测器（detector），关键点提取需要一个特征提取器（predictor），为了构建特征提取器，预训练模型必不可少。

除了自行进行训练外，还可以使用官方提供的一个模型。该模型可从dlib sourceforge库下载：

arks.dat.bz2

也可以从我的连接下载：

这个库支持68个关键点的提取，一般来说也够用了，如果需要更多的特征点就要自己去训练了。

dlib-18.17/python_examples/face_landmark_detection.py 源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt## This example program shows how to find frontal human faces in an image and# estimate their pose. The pose takes the form of 68 landmarks. These are# points on the face such as the corners of the mouth, along the eyebrows, on# the eyes, and so forth.## This face detector is made using the classic Histogram of Oriented# Gradients (HOG) feature combined with a linear

Ⅳ python人脸识别戴口罩的人脸和不戴口罩的人脸哪个相同

一般情况下，人脸识别技术是无法识别戴口罩的。因为基于人脸识别原理来讲人脸识别基于深度学习实现，利用卷积神经网络（CNN）对海量的人脸图片进行学习，卷积出包括表征人脸的脸型、鼻子、眼睛、嘴唇、眉毛等等的特征模型，对输入的图像提取出对区分不同人脸有用的特征向量。通过特征向量在特征空间里进行比对，同一人乎顷的不同照片提取出的特征，在特征空间里距离很近，不同人的脸在特征空间里相游顷圆距较远。通过人脸的特征提取、比对进行的人脸识别。带着口罩往往展现的面部特征较小，在火车站这样神塌的场景下，每天数据量很大，核验人员身份精度要求比较高，往往很难实现。

而针对你所说的戴着口罩可以识别的情况，我通过我们虹软的人脸识别算法也进行了测试，当注册人脸时戴着口罩的话后续人脸比对也是可以通过的。

Ⅳ 如何用pca做人脸识别 python实现

基于特征脸(PCA)的人脸识别方法
特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高败神维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法喊枯陆的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。


比如人脸灰度照片40x40=1600个像素点，用每个像素的灰度值组成的矩阵代表这个人的人脸。那么这个人人脸就要1600 个特征。拿一堆这样的样本过来做pca，抽取得到的只是在统计意义下能代表某个样本的几个特征。


人脸识别可以采用神经网 络深度学习的思路，国内的ColorReco在这边有比较多的郑顷案例。

Ⅵ 如何使用Python，基于OpenCV与Face++实现人脸解锁的功能

Windows 8.1上配置迹链逗OpenCV

入门的时候配置环境总是一个非常麻烦的事情，在Windows上配置OpenCV更是如此。

既然写了这个推广的科普教程，总不能让读者卡在环境配置上吧。

下面用到的文件都可以在 这里 （提取码：b6ec）下载，但是注意，目前OpenCV仅支持Python2.7。

将cv2加入site-packages

将下载下来的 cv2.pyd 文件放入Python安装的文件夹下的 Libsite-packages 目录。

就我的电脑而言，这个目录就是 C:Python27Libsite-packages 。

记得不要直接使用pip安装，将文件拖过去即可。

安装numpy组件

在命令行下进入到下载下来的文件所在的目录（按住Shift右键有在该目录打开命令行的选项）

键入命令：

pipinstallnumpy-1.11.0rc2-cp27-cp27m-win32.whl

如果你的系统或者Python不适配，可以在 这里 下载别的轮子。

测试OpenCV安装

在命令行键入命令：

python -c "import cv2"

如果没有出现错误提示，那么cv2就已经安装好了。

OpenCV的人脸检测应用

人脸检测应用，姿卖简而言之就是一个在照片里找到人脸，然后用方框框起来的过程（我们的相机经常做这件事情）

那么具体而言就是这样一个过程：

获取摄像头的图片
在图片中检测到人脸的区域
在人脸的区域周围绘制方框

获取摄像头的图片

这里简单的讲解一下OpenCV的基本操作。

以下操作是打开摄像头的基本操作：

#coding=utf8
importcv2

# 一般笔记本的默认摄像头都是0
capInput = cv2.VideoCapture(0)
# 我们可以用这条命令检测摄像头是否可以读取数据
if not capInput.isOpened(): print('Capture failed because of camera')

那么怎么从摄像头读取数据呢？

# 接上段程序
# 现在摄像头已经打开了，我们可以使用这条命令读取图像
# img就是我们读取到的图像，就和我们使用open('pic.jpg', 'rb').read()读取到的数据是一样的
ret, img = capInput.read()
# 你可以使用open的方式存储，也可以使用cv2提供的方式存储
cv2.imwrite('pic.jpg', img)
# 同样，你可以使用open的方式读取，也可以使用cv2提供的方式读取
img = cv2.imread('pic.jpg')

为了方便显示图片唤清，cv2也提供了显示图片的方法：

# 接上段程序
# 定义一个窗口，当然也可以不定义
imgWindowName = 'ImageCaptured'
imgWindow = cv2.namedWindow(imgWindowName, cv2.WINDOW_NORMAL)
# 在窗口中显示图片
cv2.imshow(imgWindowName, img)

当然在完成所有操作以后需要把摄像头和窗口都做一个释放：

# 接上段程序
# 释放摄像头
capInput.release()
# 释放所有窗口
cv2.destroyAllWindows()

在图片中检测到人脸的区域

OpenCV给我们提供了已经训练好的人脸的xml模板，我们只需要载入然后比对即可。

# 接上段程序
# 载入xml模板
faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# 将图形存储的方式进行转换
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 使用模板匹配图形
faces = faceCascade.detectMultiScale(gray, 1.3, 5)
print(faces)

在人脸的区域周围绘制方框

在上一个步骤中，faces中的四个量分别为左上角的横坐标、纵坐标、宽度、长度。

所以我们根据这四个量很容易的就可以绘制出方框。

# 接上段程序
# 函数的参数分别为：图像，左上角坐标，右下角坐标，颜色，宽度
img = cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

成果

根据上面讲述的内容，我们现在已经可以完成一个简单的人脸辨认了：

#coding=utf8
importcv2

print('Press Esc to exit')
faceCascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
imgWindow = cv2.namedWindow('FaceDetect', cv2.WINDOW_NORMAL)

defdetect_face():
capInput = cv2.VideoCapture(0)
# 避免处理时间过长造成画面卡顿
nextCaptureTime = time.time()
faces = []
if not capInput.isOpened(): print('Capture failed because of camera')
while 1:
ret, img = capInput.read()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
if nextCaptureTime

使用Face++完成人脸辨识

第一次认识Face++还是因为支付宝的人脸支付，响应速度还是非常让人满意的。

现在只需要免费注册一个账号然后新建一个应用就可以使用了，非常方便。

他的官方网址是 这个 ，注册好之后在 这里 的我的应用中创建应用即可。

创建好应用之后你会获得API Key与API Secret。

Face++的API调用逻辑简单来说是这样的：

上传图片获取读取到的人的face_id
创建Person，获取person_id（Person中的图片可以增加、删除）
比较两个face_id，判断是否是一个人
比较face_id与person_id，判断是否是一个人

上传图片获取face_id

在将图片通过post方法上传到特定的地址后将返回一个json的值。

如果api_key, api_secret没有问题，且在上传的图片中有识别到人脸，那么会存储在json的face键值下。

#coding=utf8
importrequests

# 这里填写你的应用的API Key与API Secret
API_KEY = ''
API_SECRET = ''

# 目前的API网址是这个，你可以在API文档里找到这些
BASE_URL = 'http://apicn.faceplusplus.com/v2'

# 使用Requests上传图片
url = '%s/detection/detect?api_key=%s

创建Person

这个操作没有什么可以讲的内容，可以对照这段程序和官方的API介绍。

官方的API介绍可以见 这里 ，相信看完这一段程序以后你就可以自己完成其余的API了。

# 上接上一段程序
# 读取face_id
if not facesis None: faceIdList = [face['face_id'] for facein faces]

# 使用Requests创建Person
url = '%s/person/create'%BASE_URL
params = {
'api_key': API_KEY,
'api_secret': API_SECRET,
'person_name': 'LittleCoder',
'face_id': ','.join(faceIdList), }
r = requests.get(url, params = params)
# 获取person_id
print r.json.()['person_id']

进度确认

到目前为止，你应该已经可以就给定的两张图片比对是否是同一个人了。

那么让我们来试着写一下这个程序吧，两张图片分别为’pic1.jpg’, ‘pic2.jpg’好了。

下面我给出了我的代码：

defupload_img(fileDir, oneface = True):
url = '%s/detection/detect?api_key=%s

成品

到此，所有的知识介绍都结束了，相比大致如何完成这个项目各位读者也已经有想法了吧。

Ⅶ 有一张人脸的侧脸图像，如何用python及相关的库来计算人脸转过的角度。

这个很难办到，不过可以通过判断关键点的特点进行判断，但是准确率不高
前言
很多人都认为人脸识别是一项非常难以实现的工作，看到名字就害怕，然后心怀忐忑到网上一搜，看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理，只是要实现这一工作的话，人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。
一点区分
对于大部分人来说，区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有无无意地把人脸检测说成是人脸识别，误导群众，造成一些人认为二者是相同的。其实，人脸检测解决的问题是确定一张图上有木有人脸，而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。今天我们要做的是人脸识别。
所用工具
Anaconda 2——Python 2
Dlib
scikit-image
Dlib
对于今天要用到的主要工具，还是有必要多说几句的。Dlib是基于现代C++的一个跨平台通用的框架，作者非常勤奋，一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等，涉猎甚广。更重要的是，Dlib的文档非常完善，例子非常丰富。就像很多库一样，Dlib也提供了Python的接口，安装非常简单，用pip只需要一句即可：
pip install dlib
上面需要用到的scikit-image同样只是需要这么一句：
pip install scikit-image
注：如果用pip install dlib安装失败的话，那安装起来就比较麻烦了。错误提示很详细，按照错误提示一步步走就行了。

人脸识别
之所以用Dlib来实现人脸识别，是因为它已经替我们做好了绝大部分的工作，我们只需要去调用就行了。Dlib里面有人脸检测器，有训练好的人脸关键点检测器，也有训练好的人脸识别模型。今天我们主要目的是实现，而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。今天的例子既然代码不超过40行，其实是没啥难度的。有难度的东西都在源码和论文里。
首先先通过文件树看一下今天需要用到的东西：

准备了六个候选人的图片放在candidate-faces文件夹中，然后需要识别的人脸图片test.jpg。我们的工作就是要检测到test.jpg中的人脸，然后判断她到底是候选人中的谁。另外的girl-face-rec.py是我们的python脚本。shape_predictor_68_face_landmarks.dat是已经训练好的人脸关键点检测器。dlib_face_recognition_resnet_model_v1.dat是训练好的ResNet人脸识别模型。ResNet是何凯明在微软的时候提出的深度残差网络，获得了 ImageNet 2015 冠军，通过让网络对残差进行学习，在深度和精度上做到了比
CNN 更加强大。
1. 前期准备
shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat都可以在这里找到。
然后准备几个人的人脸图片作为候选人脸，最好是正脸。放到candidate-faces文件夹中。
本文这里准备的是六张图片，如下：

她们分别是

然后准备四张需要识别的人脸图像，其实一张就够了，这里只是要看看不同的情况：

可以看到前两张和候选文件中的本人看起来还是差别不小的，第三张是候选人中的原图，第四张图片微微侧脸，而且右侧有阴影。
2.识别流程
数据准备完毕，接下来就是代码了。识别的大致流程是这样的：
3.代码
代码不做过多解释，因为已经注释的非常完善了。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 "请检查参数是否正确"
exit()
# 1.人脸关键点检测器
predictor_path = sys.argv[1]
# 2.人脸识别模型
face_rec_model_path = sys.argv[2]
# 3.候选人脸文件夹
faces_folder_path = sys.argv[3]
# 4.需识别的人脸
img_path = sys.argv[4]
# 1.加载正脸检测器
detector = dlib.get_frontal_face_detector()
# 2.加载人脸关键点检测器
sp = dlib.shape_predictor(predictor_path)
# 3. 加载人脸识别模型
facerec = dlib.face_recognition_model_v1(face_rec_model_path)
# win = dlib.image_window()
# 候选人脸描述子list
descriptors = []
# 对文件夹下的每一个人脸进行:
# 1.人脸检测
# 2.关键点检测
# 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.人脸检测
dets = detector(img, 1)
print("Number of faces detected: {}".format(len(dets)))
for k, d in enumerate(dets):
# 2.关键点检测
shape = sp(img, d)
# 画出人脸区域和和关键点
# 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)
# 转换为numpy array
v = numpy.array(face_descriptor)
descriptors.append(v)
# 对需识别人脸进行同样处理
# 提取描述子，不再注释
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)
# 计算欧式距离
for i in descriptors:
dist_ = numpy.linalg.norm(i-d_test)
dist.append(dist_)
# 候选人名单
candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']
# 候选人和距离组成一个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.运行结果
我们在.py所在的文件夹下打开命令行，运行如下命令
python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg
由于shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat名字实在太长，所以我把它们重命名为1.dat和2.dat。
运行结果如下：
The person is Bingbing。
记忆力不好的同学可以翻上去看看test1.jpg是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。
这里需要说明的是，前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人4。对比一下两张图片可以很容易发现混淆的原因。
机器毕竟不是人，机器的智能还需要人来提升。
有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张，然后对比和每个人距离的平均值之类的。全凭自己了。

Ⅷ python人脸识别所用的优化算法有什么

python三步实现人脸识别

Face Recognition软件包

这是世界上最简单的人脸识别库了。你可以通过Python引用或者命令行的形式使用它，来管理和识别人脸。

该软件包使用dlib中最先进的人脸识别深度学习算法，使得识别准确率在《Labled Faces in the world》测试基准下达到了99.38%。

它同时提供了一个叫face_recognition的命令行工具，以便你可以用命令行对一个文件夹中的图片进行识别操作。

特性

在图片中识别人脸

找到图片中所有的人脸

这里是一个例子：

Ⅸ Python太好用了！AI初学者快速体验人脸检测

我们使用python进行AI识别测试，具体方式是是开启本地电脑的摄像头进行实时的识别，或者直接传入一张图片进行行人检测，在分析代码把数据源传入到识别，看到的是source=’0’，但是这个参数是打开本地电脑的摄像头流，再进行行人检测。

但我们需要对此处进行修改，使用rtsp流，进行AI行人识别，下面需要进行分析代码，找到可以修改的地方，或者摸个参数，来进行RTSP流的修改。

已经找到了视频流在哪里传进去的了，下面就是进行分析里面的代码进行改成rtsp流，把rtsp流写进去，来做到实时分析，实现行人检测的效果。

在进行分析的时候，发现source这个参数只有LoadStreams用到过，而且是直接传进去的。

进入source参数里面查看，发现里面有一个默认的值，就是读文件，如果不是文件，就把source=[source]，再进行source值遍历。在遍历中还使用到了opencv打开本地电脑的摄像机流，再开一个线程进行实时行人识别。

代码中使用了opencv中cv2.VideoCapture的函数，从网上查找这个函数的用法得知，此函数是可以直接传入rtsp流地址的，所以问题解决就简单多了。cv2.VideoCapture这个函数是可以传入rtsp地址的，所以传入rtsp地址进行尝试，发现传入rtsp地址是没有问题的。

只要修改source这个参数即可，最终实现了检测：

Ⅹ 如何获取人脸 68个关键点 python代码

可以使用OpenCV，OpenCV的人脸检测功能在一般场合还是不错的。而ubuntu正好提供了python-opencv这个包，用它可以方便地实现人脸检测的代码。 写代码之前应该先安装python-opencv： #!/usr/bin/python# -*- coding: UTF-8 -*- # face_detect.py #...