（中職）Python編程基礎(chǔ)與應(yīng)用電子課件人工智能庫的應(yīng)用

1、正版課件 內(nèi)容可修改（中職）Python編程基礎(chǔ)與應(yīng)用電子課件人工智能庫的應(yīng)用人工智能庫的應(yīng)用主講：Python編程基礎(chǔ)與應(yīng)用配套課件+contents目錄face_recognition 的安裝和簡介案例：人臉識別學生考勤系統(tǒng)face_recognition 的安裝和簡介01face_recognition的簡介項目face_recognition是一個強大、簡單、易上手的人臉識別開源項目，并且配備了完整的開發(fā)文檔和應(yīng)用案例。據(jù)項目的官方文檔說明，本項目是世界上最簡潔的人臉識別庫之一，你可以使用Python和命令行工具提取、識別、操作人臉。該項目的人臉識別是基于業(yè)內(nèi)領(lǐng)先的C+開源庫 dlib

2、中的深度學習模型，用Labeled Faces in the Wild（美國麻省大學安姆斯特分校（University of Massachusetts Amherst)制作的人臉數(shù)據(jù)集，該數(shù)據(jù)集包含了從網(wǎng)絡(luò)收集的13,000多張面部圖像。）人臉數(shù)據(jù)集進行測試，有高達99.38%的準確率。但對小孩和亞洲人臉的識別準確率尚待提升。有關(guān)它的更多介紹請訪問英文網(wǎng)站https:/face-recognition.readthedocs.io/。安裝face_recognition它的安裝方法很簡單，可以直接使用PIP進行安裝。但它有依賴環(huán)境，在安裝時可能會出錯。如果在Windows操作系統(tǒng)下安裝fac

3、e_recognition失敗，可以按以下順序檢查：1）如果你本機沒有安裝vistual studio，就先下載安裝vistual studio 2012或以上版本，并在安裝選項中增加C+庫的支持。在微軟官網(wǎng)（/zh-hans/）下載新版本的vistual studio。2）如果提示cmake沒安裝，請先安裝它。pip install cmake安裝face_recognition3）如果提示dlib沒安裝，請先安裝它。pip install dlib4）以上環(huán)境準備好后，再安裝face_recognition。pip install face_recognitionface_recognit

4、ion的API簡介1）batch_face_locations()人臉定位 使用CNN深度學習模型返回圖像中人臉邊界框的二維數(shù)組。如果您使用的是GPU，由于GPU可以一次處理一批圖像，因此可以更快地獲得結(jié)果。如果您不使用GPU，則不需要此功能。語法舉例：batch_face_locations(images, number_of_times_to_upsample=1, batch_size=128)參數(shù)：images 表示圖片列表（每個圖片為一個numpy數(shù)組）。number_of_times_to_upsample 表示對圖像進行臉部上采樣的次數(shù)。數(shù)字越大，面孔越小。batch_size

5、表示每個GPU處理批次中要包含多少個圖像。face_recognition的API簡介2）face_locations()人臉定位 利用CNN深度學習模型或方向梯度直方圖（Histogram of Oriented Gradient, HOG）進行人臉提取。返回值是一個數(shù)組(top, right, bottom, left)表示人臉所在邊框的四條邊的位置。語法舉例：face_locations(img, number_of_times_to_upsample=1, model=hog)它的功能與batch_face_locations()類似。它的前2個參數(shù)相同，后面的model表示要使用的人

6、臉檢測模型，主要有兩個模型“hog”和“cnn”?！?hog”準確性較低，但在CPU上速度更快?！癱nn”是經(jīng)過GPU / CUDA加速（如果可用）的更準確的深度學習模型。默認值為“hog”。face_recognition的API簡介3）compare_faces()人臉比對將面部編碼列表與候選編碼進行比較，以查看它們是否匹配。語法舉例：compare_faces(known_face_encodings, face_encoding_to_check, tolerance=0.6)參數(shù)：known_face_encodings 表示已知人臉的特征向量。face_encoding_to_ch

7、eck 表示未知人臉的特征向量。Tolerance是容忍度，認為相匹配的面孔之間的距離有多大。越低越嚴格，0.6是典型的最佳性能。face_recognition的API簡介4）face_distance()人臉特征向量距離給定面部編碼列表，將它們與已知的面部編碼進行比較，并獲得每個比較面部的歐幾里得距離。距離告訴您面孔的相似程度。語法舉例：face_distance(face_encodings, face_to_compare) 參數(shù)：face_encodings表示已知人臉的特征向量。face_to_compare 表示未知人臉的特征向量。face_recognition的API簡介5）

8、face_encodings()人臉解碼輸入一張圖片后，生成一個128維的特征向量，這是 人臉識別的依據(jù)。語法舉例：face_encodings(face_image, known_face_locations=None, num_jitters=1, model=small)參數(shù)：face_image 表示包含一個或多個面部的圖像。known_face_locations 是可選項，項目每個面的邊界框。num_jitters 表示計算編碼時對面部重新采樣的次數(shù)。越高越準確，但越慢（即100慢100倍）。model是可選項，為“l(fā)arge”或“small”。它表示使用哪種模型，它默認僅返回5點

9、，但速度更快。face_recognition的API簡介6）face_landmarks()臉特征提取給定圖像，返回圖像中每個面部的面部特征位置（眼睛，鼻子等）的決定。語法舉例：face_landmarks(face_image, face_locations=None, model=large)參數(shù)：face_image 表示要搜索的圖像。face_locations這個是默認值，默認解碼圖片中的每一個人臉。若輸入face_locations()i可指定人臉進行解碼。model是可選項，為“l(fā)arge”或“small”。face_recognition的API簡介7）load_image_

10、file()加載圖像文件它能將圖像文件（.jpg，.png等）加載到numpy數(shù)組中。語法舉例：load_image_file(file, mode=RGB)參數(shù)：file表示圖像文件名或要加載的文件對象。mode表示將圖像轉(zhuǎn)換成的格式。僅支持“ RGB”（8位RGB，3通道）和“ L”（黑白）。范例11-13定位圖片中所有人臉，并自動生成人臉圖片保存在本地給出學生圖片student.jpg，自動識別出圖片中的人臉。原圖效果如圖所示。說明：出于印刷和版權(quán)的考慮，素材中的人像圖片都后期加了馬賽克，原圖并沒有馬賽克。范例11-13定位圖片中所有人臉，并自動生成人臉圖片保存在本地代碼范例11-13定

11、位圖片中所有人臉，并自動生成人臉圖片保存在本地代碼范例11-13定位圖片中所有人臉，并自動生成人臉圖片保存在本地經(jīng)檢查，它已經(jīng)自動生成文件夾“student-img”，并在它里面自動生成4個人臉圖片，范例11-14識別圖片人物有兩張圖片，一張是已知人物，另一張是未知人物。現(xiàn)進行人臉識別，判斷未知人物是不是本人。范例11-14識別圖片人物代碼范例11-14識別圖片人物圖片請讀者自動選用。本案例選用的圖片如圖所示，執(zhí)行后結(jié)果會正確體現(xiàn)出來。試一試更多的范例，可參考/ageitgey/face_recognition/tree/master/examples來完成。比如：1人臉定位案例：定位某人的臉

12、案例：使用卷積神經(jīng)網(wǎng)絡(luò)深度學習模型定位某人的臉案例：使用卷積神經(jīng)網(wǎng)絡(luò)深度學習模型批量識別圖片中的人臉案例：把來自網(wǎng)絡(luò)攝像頭視頻里的人臉高斯模糊（需安裝OpenCV）試一試2人臉關(guān)鍵點識別案例：提取 用戶A和用戶B的面部關(guān)鍵點案例：給某人涂美妝試一試3人臉識別案例：是用戶A還是用戶B？案例：人臉識別之后在原圖上畫框框并標注姓名案例：在不同精度上比較兩個人臉是否屬于一個人案例：從攝像頭獲取視頻進行人臉識別-較慢版（需安裝OpenCV）案例：從攝像頭獲取視頻進行人臉識別-較快版（需安裝OpenCV）案例：從視頻文件中識別人臉并把識別結(jié)果輸出為新的視頻文件（需安裝OpenCV）案例：通過瀏覽器HTTP

13、訪問網(wǎng)絡(luò)服務(wù)器進行人臉識別（需安裝Flask框架）)案例：基于K最近鄰KNN分類算法進行人臉識別案例：人臉識別學生考勤系統(tǒng)03案例描述考勤制度是對學生的學習和生活進行管理的有效措施，而考勤系統(tǒng)是否完善是決定考勤制度實施程度的關(guān)鍵因素。目前，很多學校教師的考勤依舊沿襲著手工操作的模式，導致學?？记跈C制難以發(fā)揮應(yīng)有的效率。在此背景下，開發(fā)一款具備實時性和高效性的考勤系統(tǒng)，借助“平安校園”的數(shù)據(jù)平臺，構(gòu)建以人臉識別為技術(shù)支撐的學生考勤管理系統(tǒng)。該系統(tǒng)可以有效記錄自動簽到和查詢簽到，可以利用校園網(wǎng)絡(luò)的服務(wù)器將學生端的考勤數(shù)據(jù)進行上傳，而且考勤數(shù)據(jù)的動態(tài)管理和查看完全可以通過管理賬號來實現(xiàn)。本案例只要求

14、實現(xiàn)部分功能：考勤時會使用第三軟件拍攝好學生的一張或者數(shù)張圖片，然后讓本系統(tǒng)去做人臉識別，如果學生與人臉識別庫的信息一致，則表明學生正常來上課沒有缺勤，如果比對的信息不一致，則記錄為缺勤。案例分析1）對班級每一個學生都采集相片，每個相片圖像只有一個學生的頭像信息。圖片文件放在“known”文件夾中。采集相片技術(shù)不在本案例討論范圍內(nèi)。如圖所示，一共有4位學生。案例分析2）使用第三方軟件抓拍到課室上課的學生集體照片一張，如果學生人從過多，可以從不同角度拍攝數(shù)張。抓拍技術(shù)不在本案例討論范圍內(nèi)。如圖所示，在本次測試數(shù)據(jù)中，我們使用了“學生考勤照片1.jpg”圖片，它有5位學生，但是有2位不是本班的學生。案例分析3）從指定的圖片路徑，獲取圖片名稱和學生姓名。4）遍歷獲取已知學生的人臉編碼。5）讀取拍攝的考勤相片，獲取未知學生的人臉編碼。6）進行人臉對比，看那些學生按時來上課。7）生成人臉對比結(jié)果，把數(shù)據(jù)匯總并顯示出來。它用到的技術(shù)點有以下幾方面： 獲取文件名os.listdir()，構(gòu)造完整文件路徑os.path.join(path, i)，去除圖片文件名的后綴list.split(.)0，使用for和while進行循環(huán)遍歷，使用face_recognition.load_image_file（）加載圖片，使用face_recognition.face_encodings進