python 人脸关键点 pytorch 人脸关键点检测

转载

lemon 2023-09-17 11:54:35

文章标签 python 人脸关键点 pytorch python pycharm 计算机视觉 文章分类 Python 后端开发

该代码可以在Pycharm、Jupyter、Python等Python编译器中运行，本文我使用的是Pycharm。

一、安装

（一）安装pytorch（cpu）

首先在Pycharm中新建一个名为facenet_test的项目，并创建一个名为fp.py的Python文件。

python 人脸关键点 pytorch 人脸关键点检测_计算机视觉

打开PyTorch官网Start Locally | PyTorch，在主页中根据自己的电脑选择Linux、Mac或Windows，其余如下图所示，系统将给出对应的安装语句，如我这里为“pip3 install torch torchvision torchaudio”。

python 人脸关键点 pytorch 人脸关键点检测_pytorch_02

由于不加镜像下载速度比较慢，所以我们加上清华镜像。在pycharm的terminal终端中输入以下命令：

pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

稍等片刻后，系统显示“successfully installed……”。之后在终端中输入以下命令，来测试是否安装成功。

python               # 进入Python环境
import torch         # 导入torch模块,若没有报错说明安装成功
torch.__version__    # 查看版本号

效果如下所示，说明安装成功了。

python 人脸关键点 pytorch 人脸关键点检测_计算机视觉_03

（二）安装facenet_pytorch库

在终端中键入如下命令：（在此之前先按Ctrl+Z并回车退出Python环境）

pip install facenet_pytorch

python 人脸关键点 pytorch 人脸关键点检测_计算机视觉_04

安装好之后到“C:\Users\用户名\”路径下查看是否有“.cache”文件夹。如果没有，可以在终端的python环境下，运行以下两句命令：

import torchvision.models as models
alexnet=models.alexnet(pretrained=True)

安装好之后重新查看“C:\Users\用户名\”路径，发现已经有了“.cache”文件夹。接着我们需要到如下网盘链接中下载InceptionResnetV1预训练模型，并将压缩包解压放置在“C:\Users\用户名\.cache\torch\hub\checkpoints”或“C:\Users\用户名\.cache\torch\checkpoints”路径下。如图所示。

链接：https://pan.baidu.com/s/1UrnggoOLL8lv2Nj4odBfWw?pwd=w6x8
提取码：w6x8

python 人脸关键点 pytorch 人脸关键点检测_python_05

python 人脸关键点 pytorch 人脸关键点检测_python_06

二、代码实现

首先选择两张图片作为待识别的图片，并将它们与fp.py放置在同一目录中。在这里我选择以下两张图片，分别命名为“zj.jpg”和“zj2.jpg”。

python 人脸关键点 pytorch 人脸关键点检测_python 人脸关键点_07

python 人脸关键点 pytorch 人脸关键点检测_计算机视觉_08

接着在fp.py中输入以下代码：

import cv2
import torch
from facenet_pytorch import MTCNN, InceptionResnetV1

# 获得人脸特征向量
def load_known_faces(dstImgPath, mtcnn, resnet):
    aligned = []
    knownImg = cv2.imread(dstImgPath) # 读取图片
    face = mtcnn(knownImg)  # 使用mtcnn检测人脸，返回【人脸数组】

    if face is not None:
        aligned.append(face[0])
    aligned = torch.stack(aligned).to(device)
    with torch.no_grad():
        known_faces_emb = resnet(aligned).detach().cpu()  # 使用resnet模型获取人脸对应的特征向量
    print("\n人脸对应的特征向量为：\n", known_faces_emb)
    return known_faces_emb, knownImg

# 计算人脸特征向量间的欧氏距离，设置阈值，判断是否为同一个人脸
def match_faces(faces_emb, known_faces_emb, threshold):
    isExistDst = False
    distance = (known_faces_emb[0] - faces_emb[0]).norm().item()
    print("\n两张人脸的欧式距离为：%.2f" % distance)
    if(distance < threshold):
        isExistDst = True
    return isExistDst

if __name__ == '__main__':
    # help(MTCNN)
    # help(InceptionResnetV1)
    # 获取设备
    device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
    print(device)
    # mtcnn模型加载【设置网络参数，进行人脸检测】
    mtcnn = MTCNN(min_face_size=12, thresholds=[0.2, 0.2, 0.3], keep_all=True, device=device)
    # InceptionResnetV1模型加载【用于获取人脸特征向量】
    resnet = InceptionResnetV1(pretrained='vggface2').eval（).to(device)
    MatchThreshold = 0.8    # 人脸特征向量匹配阈值设置

    known_faces_emb, _ = load_known_faces('zj.jpg', mtcnn, resnet)  # 已知人物图
    # bFaceThin.png  lyf2.jpg
    faces_emb, img = load_known_faces('zj2.jpg', mtcnn, resnet) # 待检测人物图
    isExistDst = match_faces(faces_emb, known_faces_emb, MatchThreshold)  # 人脸匹配
    print("设置的人脸特征向量匹配阈值为：", MatchThreshold)
    if isExistDst:
        boxes, prob, landmarks = mtcnn.detect(img, landmarks=True)  # 返回人脸框，概率，5个人脸关键点
        print('由于欧氏距离小于匹配阈值，故匹配')
    else:
        print('由于欧氏距离大于匹配阈值，故不匹配')

第一次运行时系统需要下载预训练的vggface模型，时间会比较久，耐心等待下载好之后程序便可以运行。

python 人脸关键点 pytorch 人脸关键点检测_pytorch_09